論文の概要: Shadows of quantum machine learning
- arxiv url: http://arxiv.org/abs/2306.00061v1
- Date: Wed, 31 May 2023 18:00:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 20:18:53.049534
- Title: Shadows of quantum machine learning
- Title(参考訳): 量子機械学習の影
- Authors: Sofiene Jerbi, Casper Gyurik, Simon C. Marshall, Riccardo Molteni,
Vedran Dunjko
- Abstract要約: 完全に古典的なモデルでは難解な学習課題を解くことができる影モデルが存在することを示す。
また、複雑性理論の一般的な仮定に基づいて、全ての量子モデルがシャドウフル可能であるという(ユニ)類似性についても論じる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum machine learning is often highlighted as one of the most promising
uses for a quantum computer to solve practical problems. However, a major
obstacle to the widespread use of quantum machine learning models in practice
is that these models, even once trained, still require access to a quantum
computer in order to be evaluated on new data. To solve this issue, we suggest
that following the training phase of a quantum model, a quantum computer could
be used to generate what we call a classical shadow of this model, i.e., a
classically computable approximation of the learned function. While recent
works already explore this idea and suggest approaches to construct such shadow
models, they also raise the possibility that a completely classical model could
be trained instead, thus circumventing the need for a quantum computer in the
first place. In this work, we take a novel approach to define shadow models
based on the frameworks of quantum linear models and classical shadow
tomography. This approach allows us to show that there exist shadow models
which can solve certain learning tasks that are intractable for fully classical
models, based on widely-believed cryptography assumptions. We also discuss the
(un)likeliness that all quantum models could be shadowfiable, based on common
assumptions in complexity theory.
- Abstract(参考訳): 量子機械学習はしばしば、量子コンピュータが実用的な問題を解決する最も有望な用途の1つとして強調される。
しかし、実際に量子機械学習モデルが広く使われることの大きな障害は、トレーニングされたとしても、新しいデータで評価するためには量子コンピュータへのアクセスが必要であることである。
この問題を解決するために、量子モデルのトレーニングフェーズに従えば、量子コンピュータは、このモデルの古典的影、すなわち、学習関数の古典的計算可能な近似を生成するのに使うことができることを提案する。
このアイデアを探求し、そのような影モデルを構築するためのアプローチを提案する最近の研究は、完全に古典的なモデルが代わりに訓練される可能性も高めているため、そもそも量子コンピュータの必要性を回避できる。
本研究では,量子線型モデルと古典的影トモグラフィーの枠組みに基づいて,影モデルを定義する新しい手法を提案する。
このアプローチは、広く信じられている暗号の仮定に基づいて、完全に古典的モデルでは難解な特定の学習タスクを解決できる影モデルが存在することを示すことができる。
また、複雑性理論における共通の仮定に基づいて、すべての量子モデルがシャドウフィラブルであるという(非)類似性についても論じる。
関連論文リスト
- ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳(メタデータ) (2023-08-22T09:11:53Z) - 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) - 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) - Generative model for learning quantum ensemble via optimal transport
loss [0.9404723842159504]
量子アンサンブルを学習できる量子生成モデルを提案する。
提案したモデルは、量子デバイスのヘルスチェックのような幅広い応用の道を開く。
論文 参考訳(メタデータ) (2022-10-19T17:35:38Z) - Classical surrogates for quantum learning models [0.7734726150561088]
本稿では,訓練された量子学習モデルから効率的に得られる古典的モデルである古典的サロゲートの概念を紹介する。
我々は、よく解析された再アップロードモデルの大規模なクラスが古典的なサロゲートを持つことを示す。
論文 参考訳(メタデータ) (2022-06-23T14:37:02Z) - Quantum machine learning beyond kernel methods [0.0]
パラメタライズド量子回路モデルは、カーネルの定式化よりも極めて優れた一般化性能を示すことを示す。
我々の結果は、カーネルの定式化の隣の量子機械学習モデルのより包括的な理論に向けた別のステップを構成する。
論文 参考訳(メタデータ) (2021-10-25T18:00:02Z) - The Hintons in your Neural Network: a Quantum Field Theory View of Deep
Learning [84.33745072274942]
線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。
ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
論文 参考訳(メタデータ) (2021-03-08T17:24:29Z) - Enhancing Generative Models via Quantum Correlations [1.6099403809839032]
確率分布から抽出したサンプルを用いた生成モデリングは教師なし機械学習の強力なアプローチである。
このような量子相関が生成モデリングの強力な資源となることを理論的に示す。
この分離を標準的な機械学習データセットで数値的にテストし、実用的な問題に耐えることを示します。
論文 参考訳(メタデータ) (2021-01-20T22:57:22Z) - Power of data in quantum machine learning [2.1012068875084964]
データから学習する古典機械によって、古典的に計算が難しい問題を簡単に予測できることが示される。
本稿では,フォールトトレラントシステムにおける学習問題に対して,単純かつ厳密な量子スピードアップを実現する量子モデルを提案する。
論文 参考訳(メタデータ) (2020-11-03T19:00:01Z) - 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)
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。