論文の概要: Predictive Models from Quantum Computer Benchmarks

• arxiv url: http://arxiv.org/abs/2305.08796v1
• Date: Mon, 15 May 2023 17:00:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-16 13:36:57.825020
• Title: Predictive Models from Quantum Computer Benchmarks
• Title（参考訳）: 量子コンピュータベンチマークによる予測モデル
• Authors: Daniel Hothem, Jordan Hines, Karthik Nataraj, Robin Blume-Kohout, and Timothy Proctor
• Abstract要約: 量子コンピュータの総合ベンチマークは、量子ハードウェアの性能をテストし、まとめるのに不可欠である。 本稿では,機能モデルを用いたベンチマークデータから予測モデルを構築するための一般的なフレームワークを紹介する。 このケーススタディでは、クラウドアクセス可能な量子コンピュータのデータとノイズの多い量子コンピュータのシミュレーションを用いています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Holistic benchmarks for quantum computers are essential for testing and summarizing the performance of quantum hardware. However, holistic benchmarks -- such as algorithmic or randomized benchmarks -- typically do not predict a processor's performance on circuits outside the benchmark's necessarily very limited set of test circuits. In this paper, we introduce a general framework for building predictive models from benchmarking data using capability models. Capability models can be fit to many kinds of benchmarking data and used for a variety of predictive tasks. We demonstrate this flexibility with two case studies. In the first case study, we predict circuit (i) process fidelities and (ii) success probabilities by fitting error rates models to two kinds of volumetric benchmarking data. Error rates models are simple, yet versatile capability models which assign effective error rates to individual gates, or more general circuit components. In the second case study, we construct a capability model for predicting circuit success probabilities by applying transfer learning to ResNet50, a neural network trained for image classification. Our case studies use data from cloud-accessible quantum computers and simulations of noisy quantum computers.
• Abstract（参考訳）: 量子コンピュータの総合ベンチマークは、量子ハードウェアの性能のテストと要約に不可欠である。 しかし、アルゴリズムベンチマークやランダムベンチマークのような全体論的ベンチマークは、通常、ベンチマークのごく限られたテスト回路以外の回路におけるプロセッサのパフォーマンスを予測しない。 本稿では,能力モデルを用いたベンチマークデータから予測モデルを構築するための汎用フレームワークを提案する。 キャパビリティモデルは、さまざまな種類のベンチマークデータに適合し、さまざまな予測タスクに使用することができる。 この柔軟性を2つのケーススタディで実証する。 最初のケーススタディでは、我々は回路を予測します。 (i)プロセスフィディティ及び (ii)2種類のボリュームベンチマークデータに誤差率モデルを適合させることによる成功確率 エラーレートモデルは単純だが汎用性があり、個々のゲートまたはより一般的な回路コンポーネントに効果的なエラーレートを割り当てる。 第2のケーススタディでは,画像分類を訓練したニューラルネットワークresnet50に転送学習を適用し,回路成功確率を予測する能力モデルを構築した。 私たちのケーススタディでは、クラウドアクセス可能な量子コンピュータのデータとノイズの多い量子コンピュータのシミュレーションを使用します。

関連論文リスト

• Quantum Active Learning [3.3202982522589934]
  量子ニューラルネットワークのトレーニングは通常、教師付き学習のための実質的なラベル付きトレーニングセットを必要とする。 QALはモデルを効果的にトレーニングし、完全にラベル付けされたデータセットに匹敵するパフォーマンスを達成する。 我々は,QALがランダムサンプリングベースラインに乗じて負の結果を微妙な数値実験により解明する。
  論文  参考訳（メタデータ） (2024-05-28T14:39:54Z)
• Learning to rank quantum circuits for hardware-optimized performance enhancement [0.0]
  本稿では,論理的に等価な量子回路をランク付けするための機械学習に基づく手法を実験的に導入し,実験を行った。 提案手法をランダムなレイアウト選択とMapomaticと呼ばれる一般公開ベースラインの2つの一般的なアプローチと比較する。 我々の最良のモデルでは、ベースラインアプローチと比較して選択誤差が1.8タイムズ$減少し、ランダム選択と比較して3.2タイムズ$減少する。
  論文  参考訳（メタデータ） (2024-04-09T18:00:01Z)
• Fantastic Gains and Where to Find Them: On the Existence and Prospect of General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
  事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。 このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
  論文  参考訳（メタデータ） (2023-10-26T17:59:46Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• A performance characterization of quantum generative models [35.974070202997176]
  量子生成モデリングに使用される量子回路を比較する。 2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。 確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
  論文  参考訳（メタデータ） (2023-01-23T11:00:29Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Do Quantum Circuit Born Machines Generalize? [58.720142291102135]
  本稿では,量子生成モデルの積分評価指標としてQCBMの一般化性能を示す文献で最初に紹介する。 そこで本研究では,QCBMがデータセットの再重み付けを効果的に学習し,未確認のサンプルをトレーニングセットよりも高い品質で生成可能であることを示す。
  論文  参考訳（メタデータ） (2022-07-27T17:06:34Z)
• When BERT Meets Quantum Temporal Convolution Learning for Text Classification in Heterogeneous Computing [75.75419308975746]
  本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。 目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
  論文  参考訳（メタデータ） (2022-02-17T09:55:21Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Comparing concepts of quantum and classical neural network models for image classification task [0.456877715768796]
  本資料は、ハイブリッド量子古典ニューラルネットワークのトレーニングと性能に関する実験結果を含む。 シミュレーションは時間を要するが、量子ネットワークは時間を要するが、古典的なネットワークを克服する。
  論文  参考訳（メタデータ） (2021-08-19T18:49:30Z)

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。