論文の概要: Tensor networks for quantum machine learning

• arxiv url: http://arxiv.org/abs/2303.11735v1
• Date: Tue, 21 Mar 2023 10:46:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-22 15:34:53.179651
• Title: Tensor networks for quantum machine learning
• Title（参考訳）: 量子機械学習のためのテンソルネットワーク
• Authors: Hans-Martin Rieser, Frank K\"oster and Arne Peter Raulf
• Abstract要約: 本稿では,MPS,PEPS,TTN,MERAなどのレイアウトを量子コンピュータにマップする方法について議論する。 また、機械学習やデータエンコーディングにどのように使用できるか、実装技術によってパフォーマンスが向上するかについても論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Once developed for quantum theory, tensor networks have been established as a successful machine learning paradigm. Now, they have been ported back to the quantum realm in the emerging field of quantum machine learning to assess problems that classical computers are unable to solve efficiently. Their nature at the interface between physics and machine learning makes tensor networks easily deployable on quantum computers. In this review article, we shed light on one of the major architectures considered to be predestined for variational quantum machine learning. In particular, we discuss how layouts like MPS, PEPS, TTNs and MERA can be mapped to a quantum computer, how they can be used for machine learning and data encoding and which implementation techniques improve their performance.
• Abstract（参考訳）: かつて量子論のために開発されたテンソルネットワークは、機械学習のパラダイムとして成功した。 現在、それらは量子機械学習の新興分野の量子領域に移植され、古典的コンピュータが効率的に解決できない問題を評価している。 物理と機械学習のインターフェイスにおけるそれらの性質は、量子コンピュータにテンソルネットワークを展開しやすくする。 このレビュー記事では、変分量子機械学習に先立つと思われる主要なアーキテクチャの1つに光を当てた。 特に,MPS,PEPS,TTN,MERAなどのレイアウトを量子コンピュータにマップする方法,機械学習やデータエンコーディングにどのように使用できるか,実装技術によるパフォーマンス向上について論じる。

関連論文リスト

• Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning [54.80832749095356]
  量子機械学習(QML)は、量子コンピューティングの原理と従来の機械学習を組み合わせた急速に成長する分野である。 本稿では,変分量子回路を用いてQMLアーキテクチャを開発する機械学習パラダイムの量子コンピューティングについて述べる。
  論文  参考訳（メタデータ） (2024-11-14T12:27:50Z)
• What is my quantum computer good for? Quantum capability learning with physics-aware neural networks [0.0]
  本稿では,学習能力モデルのための量子物理学的ニューラルネットワークアーキテクチャを提案する。 我々のアーキテクチャは、量子プログラムにおけるエラーの物理に対する効率的な近似とグラフニューラルネットワークの側面を組み合わせる。 このアプローチは、実験データとシミュレーションデータの両方における平均絶対誤差を最大$sim50%$還元する。
  論文  参考訳（メタデータ） (2024-06-09T04:11:41Z)
• A Quick Introduction to Quantum Machine Learning for Non-Practitioners [0.0]
  この論文では、重ね合わせ、位相空間、絡み合いなど、基本的な量子力学の原理を取り上げている。 また、人工知能、勾配降下、バックプロパゲーションといった古典的なディープラーニングの概念もレビューしている。 量子ニューラルネットワークの潜在的な利点を例に挙げる。
  論文  参考訳（メタデータ） (2024-02-22T16:48:17Z)
• Synergy of machine learning with quantum computing and communication [0.0]
  量子コンピューティングとコミュニケーションにおける機械学習は、物理学、数学、計算機科学の分野に革命をもたらす機会を提供する。 本稿では、人工知能と機械学習モデルを用いて、量子コンピューティングと量子通信における最先端のアプローチを包括的にレビューする。
  論文  参考訳（メタデータ） (2023-10-05T10:18:39Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• Quantum neural networks force fields generation [0.0]
  量子ニューラルネットワークアーキテクチャを設計し、複雑性が増大するさまざまな分子に適用することに成功しています。 量子モデルは古典的なモデルに対してより大きな有効次元を示し、競争性能に達することができる。
  論文  参考訳（メタデータ） (2022-03-09T12:10:09Z)
• Quantum Deformed Neural Networks [83.71196337378022]
  我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。 入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
  論文  参考訳（メタデータ） (2020-10-21T09:46:12Z)
• Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
  グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。 この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。 我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
  論文  参考訳（メタデータ） (2020-01-15T18:36:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。