論文の概要: Quantum Machine Learning Approach for the Prediction of Surface
Roughness in Additive Manufactured Specimens
- arxiv url: http://arxiv.org/abs/2304.13142v1
- Date: Mon, 24 Apr 2023 11:57:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-27 16:22:28.483453
- Title: Quantum Machine Learning Approach for the Prediction of Surface
Roughness in Additive Manufactured Specimens
- Title（参考訳）: 添加加工品の表面粗さ予測のための量子機械学習アプローチ
- Authors: Akshansh Mishra, Vijaykumar S. Jatti
- Abstract要約: 添加物製造試料の表面粗さを予測するための3つの量子アルゴリズムを比較した。
Q-Forestアルゴリズムは他のアルゴリズムを上回り、MSEは56.905、MAEは7.479、ESVは0.2957である。
回帰に適応したVQCは、MSEが59.121、MAEが7.597、ESVが0.0106であり、その性能もQ-Forestより劣っていることを示唆している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Surface roughness is a crucial factor influencing the performance and
functionality of additive manufactured components. Accurate prediction of
surface roughness is vital for optimizing manufacturing processes and ensuring
the quality of the final product. Quantum computing has recently gained
attention as a potential solution for tackling complex problems and creating
precise predictive models. In this research paper, we conduct an in-depth
comparison of three quantum algorithms i.e. the Quantum Neural Network (QNN),
Quantum Forest (Q-Forest), and Variational Quantum Classifier (VQC) adapted for
regression for predicting surface roughness in additive manufactured specimens
for the first time. We assess the algorithms performance using Mean Squared
Error (MSE), Mean Absolute Error (MAE), and Explained Variance Score (EVS) as
evaluation metrics. Our findings show that the Q-Forest algorithm surpasses the
other algorithms, achieving an MSE of 56.905, MAE of 7.479, and an EVS of
0.2957. In contrast, the QNN algorithm displays a higher MSE of 60.840 and MAE
of 7.671, coupled with a negative EVS of -0.444, indicating that it may not be
appropriate for predicting surface roughness in this application. The VQC
adapted for regression exhibits an MSE of 59.121, MAE of 7.597, and an EVS of
-0.0106, suggesting its performance is also inferior to the Q-Forest algorithm.
- Abstract（参考訳）: 表面粗さは、添加物製造部品の性能と機能に影響を与える重要な要因である。
表面粗さの正確な予測は製造工程の最適化と最終製品の品質確保に不可欠である。
量子コンピューティングは最近、複雑な問題に取り組み、正確な予測モデルを作成する潜在的な解決策として注目を集めている。
本稿では,3つの量子アルゴリズム,すなわち量子ニューラルネットワーク (qnn) ,量子フォレスト (q-forest) および変分量子分類器 (vqc) の詳細な比較を行った。
我々は,平均二乗誤差(MSE),平均絶対誤差(MAE),説明可変スコア(EVS)を評価指標として,アルゴリズムの性能を評価する。
その結果,Q-Forestアルゴリズムは他のアルゴリズムを上回り,MSEは56.905,MAEは7.479,EVSは0.2957であった。
対照的に、QNNアルゴリズムは60.840、MAEは7.671で、負のEVSは-0.444であり、この応用では表面粗さを予測できない可能性がある。
VQCは回帰に適応しており、MSEは59.121、MAEは7.597、ESVは0.0106であり、Q-Forestアルゴリズムよりも性能が劣っていることを示している。
関連論文リスト
- An Evidence of Addressing Coherence Errors in VQE Observables by Pulse-level VQE Approach [0.0]
本研究は、ノイズ中間スケール量子(NISQ)時代の変分量子固有解法(VQE)に焦点を当てる。
我々は,ハミルトンの正確な期待値を得るために重要な測定プロセスにおいて,過回転および過回転誤差を導入し,評価する。
以上の結果から,パルスレベルのVQEアルゴリズムは精度で量子エラーに対するレジリエンスを示すことがわかった。
論文 参考訳（メタデータ） (2024-10-25T03:41:48Z) - Q-SCALE: Quantum computing-based Sensor Calibration for Advanced Learning and Efficiency [1.2564343689544841]
本稿では,Deep Learning (DL) やQuantum Machine Learning (QML) といった先進的な手法を用いて,安価な光学ファインダストセンサの校正プロセスについて検討する。
プロジェクトの目的は、古典的領域と量子的領域の両方の洗練された4つのアルゴリズムを比較し、それらの格差を識別し、都市大気質監視における粒子状物質測定の精度と信頼性を改善するための代替アプローチを検討することである。
論文 参考訳（メタデータ） (2024-10-03T21:15:05Z) - Predicting Probabilities of Error to Combine Quantization and Early Exiting: QuEE [68.6018458996143]
本稿では,量子化と早期出口動的ネットワークを組み合わせたより一般的な動的ネットワークQuEEを提案する。
我々のアルゴリズムは、ソフトアーリーエグジットや入力依存圧縮の一形態と見なすことができる。
提案手法の重要な要素は、さらなる計算によって実現可能な潜在的な精度向上の正確な予測である。
論文 参考訳（メタデータ） (2024-06-20T15:25:13Z) - Graph Neural Networks for Parameterized Quantum Circuits Expressibility Estimation [5.074765131677166]
本稿では,グラフニューラルネットワーク(GNN)を用いた量子回路の表現可能性推定手法を提案する。
我々は、ノイズのないIBM QASMシミュレータから25,000のサンプルと、3つのノイズの多い量子バックエンドから12,000のサンプルからなるデータセットを用いて、GNNモデルの予測能力を実証した。
論文 参考訳（メタデータ） (2024-05-13T18:26:55Z) - Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。
実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
論文 参考訳（メタデータ） (2023-11-05T12:03:58Z) - Weight Re-Mapping for Variational Quantum Algorithms [54.854986762287126]
変動量子回路(VQC)における重み付けの考え方を紹介する。
我々は,8つの分類データセットに対する影響を評価するために,7つの異なる重み再マッピング関数を用いる。
以上の結果から,重量再マッピングによりVQCの収束速度が向上することが示唆された。
論文 参考訳（メタデータ） (2023-06-09T09:42:21Z) - Towards Accurate Post-Training Quantization for Vision Transformer [48.779346466374406]
既存のトレーニング後の量子化手法は依然として深刻な性能低下を引き起こしている。
APQ-ViTは、既存のトレーニング後の量子化手法を証明マージンによって超越している。
論文 参考訳（メタデータ） (2023-03-25T03:05:26Z) - Differentially Private Deep Q-Learning for Pattern Privacy Preservation
in MEC Offloading [76.0572817182483]
攻撃者は、エッジサーバ(ES)のキュー情報とユーザの使用パターンを推測するために、オフロードの決定を盗み取ることができる。
パターンプライバシ(PP)を維持しつつ,レイテンシ,ESのエネルギー消費,タスク削減率を両立させるオフロード戦略を提案する。
そこで我々はDP-DQOアルゴリズムを開発し,PP問題にノイズを注入することでこの問題に対処する。
論文 参考訳（メタデータ） (2023-02-09T12:50:18Z) - An Efficient Gradient Sensitive Alternate Framework for VQE with
Variable Ansatz [13.360755226969678]
本稿では,変分量子固有解器(VQE)の性能を高めるために,可変アンサッツを用いた勾配感度代替フレームワークを提案する。
本研究では,ハードウェア効率のよいアンサッツと比較して,検出した解の誤差を最大87.9%向上することを示す。
論文 参考訳（メタデータ） (2022-05-06T06:15:10Z) - Task-Specific Normalization for Continual Learning of Blind Image
Quality Models [105.03239956378465]
視覚的画像品質評価(BIQA)のための簡易かつ効果的な連続学習法を提案する。
このアプローチの重要なステップは、トレーニング済みのディープニューラルネットワーク(DNN)のすべての畳み込みフィルタを凍結して、安定性を明示的に保証することです。
我々は、各新しいIQAデータセット(タスク)に予測ヘッドを割り当て、対応する正規化パラメータをロードして品質スコアを生成する。
最終的な品質推定は、軽量な$K$-meansゲーティング機構で、すべての頭からの予測の重み付け総和によって計算される。
論文 参考訳（メタデータ） (2021-07-28T15:21:01Z) - Freedom of mixer rotation-axis improves performance in the quantum
approximate optimization algorithm [0.0]
量子近似最適化アルゴリズム(QAOA)のような変分量子アルゴリズムは、短期量子プロセッサの実装に魅力的な候補である。
我々はミキサーハミルトン平面のXY$平面における回転軸の自由の形で追加の変分パラメータを追加するQAOAの修正を提案する。
その結果,最大7キュービットのグラフ上でMAXCUT問題の解を求める上で,標準的なQAOAよりも大幅な性能向上が達成された。
論文 参考訳（メタデータ） (2021-07-28T02:13:01Z)
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。