論文の概要: Parallel hybrid quantum-classical machine learning for kernelized
time-series classification
- arxiv url: http://arxiv.org/abs/2305.05881v2
- Date: Sat, 17 Feb 2024 21:17:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 06:57:53.363752
- Title: Parallel hybrid quantum-classical machine learning for kernelized
time-series classification
- Title(参考訳): 並列ハイブリッド量子古典機械学習による時系列分類
- Authors: Jack S. Baker, Gilchan Park, Kwangmin Yu, Ara Ghukasyan, Oktay Goktas
and Santosh Kumar Radha
- Abstract要約: 本稿では,時間系列ハミルトニアン(TSHK)アルゴリズムを用いて,ペアインスタンス間の時間的時間差を推定するハイブリッド量子古典機械に挑戦する。
カーネル重み付けステップを微分可能な微分可能なカーネル関数として扱うため、本手法はエンドラージ可能なハイブリッド量子系列技術とみなすことができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Supervised time-series classification garners widespread interest because of
its applicability throughout a broad application domain including finance,
astronomy, biosensors, and many others. In this work, we tackle this problem
with hybrid quantum-classical machine learning, deducing pairwise temporal
relationships between time-series instances using a time-series Hamiltonian
kernel (TSHK). A TSHK is constructed with a sum of inner products generated by
quantum states evolved using a parameterized time evolution operator. This sum
is then optimally weighted using techniques derived from multiple kernel
learning. Because we treat the kernel weighting step as a differentiable convex
optimization problem, our method can be regarded as an end-to-end learnable
hybrid quantum-classical-convex neural network, or QCC-net, whose output is a
data set-generalized kernel function suitable for use in any kernelized machine
learning technique such as the support vector machine (SVM). Using our TSHK as
input to a SVM, we classify univariate and multivariate time-series using
quantum circuit simulators and demonstrate the efficient parallel deployment of
the algorithm to 127-qubit superconducting quantum processors using quantum
multi-programming.
- Abstract(参考訳): 時系列分類の監督は、金融、天文学、バイオセンサーなど幅広い分野に適用可能であることから、広く関心を集めている。
本研究では,時系列ハミルトニアンカーネル(TSHK)を用いて時系列インスタンス間の時間的一対関係を導出する,ハイブリッド量子古典機械学習を用いてこの問題に取り組む。
TSHKは、パラメータ化された時間進化演算子を用いて進化した量子状態によって生成される内部積の和で構成される。
この和は、複数のカーネル学習に由来する手法を用いて最適に重み付けされる。
カーネル重み付けステップを微分凸最適化問題として扱うため、この手法は、サポートベクトルマシン(SVM)のようなカーネル化された機械学習技術で使用するのに適したデータセット一般化カーネル関数である、エンドツーエンドで学習可能なハイブリッド量子-古典-凸ニューラルネットワーク(QCC-net)とみなすことができる。
SVMへの入力としてTSHKを用いて、量子回路シミュレータを用いて一変量および多変量時系列を分類し、量子マルチプログラミングを用いて127量子ビット超伝導量子プロセッサへのアルゴリズムの効率的な並列展開を実証する。
関連論文リスト
- QUACK: Quantum Aligned Centroid Kernel [0.0]
本稿では、トレーニング中のサンプル数と時間複雑性を線形にスケールする量子カーネルアルゴリズムであるQUICKを紹介する。
提案アルゴリズムでは,MNIST などの高次元データセットを 784 個の特徴量で扱える。
論文 参考訳(メタデータ) (2024-05-01T04:00:09Z) - Machine Learning in the Quantum Age: Quantum vs. Classical Support
Vector Machines [0.0]
この研究は、古典的および量子計算パラダイムにおける機械学習アルゴリズムの有効性を判断する努力である。
我々は、Irisデータセット上で量子ハードウェアで動作する古典的なSVMと量子サポートベクトルマシンの分類技術を精査する。
論文 参考訳(メタデータ) (2023-10-17T01:06:59Z) - Quantum-Classical Multiple Kernel Learning [0.0]
機械学習におけるカーネルメソッドは、将来的にそのような改善を実現することができる分野のひとつだ。
小さくてノイズの多い量子コンピュータは、データの類似性のユニークな概念を捉える古典的なパラメトリック量子カーネルを評価することができる。
我々は、MKL(Multiple kernel)の文脈において、古典、量子量子、量子古典およびQCカーネルのペアワイズ組み合わせを考える。
本手法は,MKL設定における各種測定値の性能向上に有効であることを示す。
論文 参考訳(メタデータ) (2023-05-28T12:29:04Z) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine
learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。
古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。
量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文 参考訳(メタデータ) (2023-01-13T09:35:05Z) - The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for
Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。
鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。
我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文 参考訳(メタデータ) (2022-12-22T16:06:24Z) - Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。
我々は距離の計算を高速化するために量子現象を利用する。
我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
論文 参考訳(メタデータ) (2022-12-13T16:04:16Z) - Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる
本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。
その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文 参考訳(メタデータ) (2022-09-01T17:08:41Z) - Quantum Semi-Supervised Kernel Learning [4.726777092009554]
本稿では,セミスーパービジョンカーネル支援ベクトルマシンを学習するための量子機械学習アルゴリズムを提案する。
完全教師付き量子LS-SVMと同じスピードアップを維持していることを示す。
論文 参考訳(メタデータ) (2022-04-22T13:39:55Z) - Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。
この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。
GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文 参考訳(メタデータ) (2022-04-18T21:45:13Z) - Accelerating variational quantum algorithms with multiple quantum
processors [78.36566711543476]
変分量子アルゴリズム(VQA)は、特定の計算上の利点を得るために、短期量子マシンを利用する可能性がある。
現代のVQAは、巨大なデータを扱うために単独の量子プロセッサを使用するという伝統によって妨げられている、計算上のオーバーヘッドに悩まされている。
ここでは、この問題に対処するため、効率的な分散最適化手法であるQUDIOを考案する。
論文 参考訳(メタデータ) (2021-06-24T08:18:42Z)
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。