論文の概要: Feature Map for Quantum Data: Probabilistic Manipulation
- arxiv url: http://arxiv.org/abs/2303.15665v1
- Date: Tue, 28 Mar 2023 01:17:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 16:49:40.602912
- Title: Feature Map for Quantum Data: Probabilistic Manipulation
- Title(参考訳): 量子データの特徴マップ:確率的操作
- Authors: Hyeokjea Kwon, Hojun Lee, and Joonwoo Bae
- Abstract要約: 量子特徴写像は、量子資源をMLアルゴリズムに燃やすことにより、量子状態のヒルベルト空間を持つインスタンスに対応する。
本稿では,教師付き学習アルゴリズムを改善するために,量子状態の確率論的操作として,量子データの特徴マップを提案する。
- 参考スコア(独自算出の注目度): 2.867517731896504
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The kernel trick in supervised learning signifies transformations of an inner
product by a feature map, which then restructures training data in a larger
Hilbert space according to an endowed inner product. A quantum feature map
corresponds to an instance with a Hilbert space of quantum states by fueling
quantum resources to ML algorithms. In this work, we point out that the quantum
state space is specific such that a measurement postulate characterizes an
inner product and that manipulation of quantum states prepared from classical
data cannot enhance the distinguishability of data points. We present a feature
map for quantum data as a probabilistic manipulation of quantum states to
improve supervised learning algorithms.
- Abstract(参考訳): 教師付き学習におけるカーネルトリックは、特徴写像によって内部積の変換を示し、与えられた内部積に従ってより大きなヒルベルト空間でのトレーニングデータを再構成する。
量子特徴写像は、量子資源をMLアルゴリズムに燃やすことにより、量子状態のヒルベルト空間を持つインスタンスに対応する。
本研究では, 量子状態空間は, 測定仮定が内積を特徴づけること, 古典的データから生成した量子状態の操作がデータ点の識別可能性を高めることができないことを指摘した。
本稿では,教師付き学習アルゴリズムを改善するために,量子状態の確率的操作として量子データの特徴マップを提案する。
関連論文リスト
- Realizing Non-Physical Actions through Hermitian-Preserving Map
Exponentiation [1.0255759863714506]
本稿では、任意のエルミート保存写像の作用を量子過程に符号化することで効果的に実現できるエルミート保存写像アルゴリズムを提案する。
本研究は,量子デバイスを用いた非物理的動作を系統的かつ効率的に実装するための経路を提示する。
論文 参考訳(メタデータ) (2023-08-15T18:00:04Z) - 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) - Noisy Quantum Kernel Machines [58.09028887465797]
量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。
消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。
量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
論文 参考訳(メタデータ) (2022-04-26T09:52:02Z) - Q-means using variational quantum feature embedding [0.9572675949441442]
変分回路の目的は、量子的特徴を持つヒルベルト空間のクラスターを極大に分離することである。
量子回路の出力は、特定のクラスタに属する全ての量子状態の重ね合わせを表す特徴的なクラスター量子状態である。
期待値の勾配は、変動回路のパラメータを最適化し、より良い量子特徴写像を学習するために用いられる。
論文 参考訳(メタデータ) (2021-12-11T13:00:51Z) - Stochastic emulation of quantum algorithms [0.0]
量子アルゴリズムに必要な量子力学状態の基本特性を共有する新しい対象として,粒子位置の確率分布の高次偏微分を導入する。
これらの普遍写像から構築された写像による伝播は、量子力学状態の進化を正確に予測できる。
我々は、いくつかのよく知られた量子アルゴリズムを実装し、必要な量子ビット数による実現のスケーリングを分析し、エミュレーションコストに対する破壊的干渉の役割を強調した。
論文 参考訳(メタデータ) (2021-09-16T07:54:31Z) - Trainable Discrete Feature Embeddings for Variational Quantum Classifier [4.40450723619303]
我々は、QRAC(Quantum Random Access Coding)を用いて、より少ない量子ビットで離散的な特徴をマップする方法を示す。
QRACと最近提案された量子量学習(quantum metric learning)と呼ばれる量子特徴マップのトレーニング戦略を組み合わせることで、個別の特徴をトレーニング可能な量子回路に埋め込む新しい手法を提案する。
論文 参考訳(メタデータ) (2021-06-17T12:02:01Z) - Imaginary Time Propagation on a Quantum Chip [50.591267188664666]
想像時間における進化は、量子多体系の基底状態を見つけるための顕著な技術である。
本稿では,量子コンピュータ上での仮想時間伝搬を実現するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-24T12:48:00Z) - Facial Expression Recognition on a Quantum Computer [68.8204255655161]
量子機械学習手法を用いて表情認識の可能な解を示す。
適切に定義された量子状態の振幅に符号化されたグラフの隣接行列を操作する量子回路を定義する。
論文 参考訳(メタデータ) (2021-02-09T13:48:00Z) - Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。
演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
論文 参考訳(メタデータ) (2021-01-21T22:18:49Z) - Quantum information spreading in a disordered quantum walk [50.591267188664666]
量子ウォークスを用いて量子情報拡散パターンを探索する量子探索プロトコルを設計する。
我々は、異常や古典的輸送を調査するために、コヒーレントな静的および動的障害に焦点を当てる。
以上の結果から,複雑なネットワークで発生する欠陥や摂動の情報を読み取る装置として,量子ウォーク(Quantum Walk)が考えられる。
論文 参考訳(メタデータ) (2020-10-20T20:03:19Z) - Universal Approximation Property of Quantum Machine Learning Models in
Quantum-Enhanced Feature Spaces [0.0]
本研究では, 領域分割における量子特徴写像の能力について検討する。
我々の研究は、量子特徴写像に基づく機械学習アルゴリズムが幅広い機械学習タスクを扱えるように、重要な理論的分析を可能にする。
論文 参考訳(メタデータ) (2020-09-01T09:09:29Z)
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。