論文の概要: Benchmarking Quantum Surrogate Models on Scarce and Noisy Data
- arxiv url: http://arxiv.org/abs/2306.05042v3
- Date: Sat, 9 Dec 2023 12:26:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 02:36:16.175764
- Title: Benchmarking Quantum Surrogate Models on Scarce and Noisy Data
- Title（参考訳）: スカースとノイズデータに基づく量子サロゲートモデルのベンチマーク
- Authors: Jonas Stein, Michael Poppel, Philip Adamczyk, Ramona Fabry, Zixin Wu,
Michael K\"olle, Jonas N\"u{\ss}lein, Dani\"elle Schuman, Philipp Altmann,
Thomas Ehmer, Vijay Narasimhan, Claudia Linnhoff-Popien
- Abstract要約: 量子ニューラルネットワーク (QNN) は, 希少かつノイズの多いデータの存在下で, 従来のアナログよりも優れている可能性が示された。
我々のコントリビューションは、QNNを高次元の実世界データ上の代理モデルとして使う最初のアプリケーション中心のアプローチを示す。
- 参考スコア（独自算出の注目度）: 4.3956739705582635
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Surrogate models are ubiquitously used in industry and academia to
efficiently approximate given black box functions. As state-of-the-art methods
from classical machine learning frequently struggle to solve this problem
accurately for the often scarce and noisy data sets in practical applications,
investigating novel approaches is of great interest. Motivated by recent
theoretical results indicating that quantum neural networks (QNNs) have the
potential to outperform their classical analogs in the presence of scarce and
noisy data, we benchmark their qualitative performance for this scenario
empirically. Our contribution displays the first application-centered approach
of using QNNs as surrogate models on higher dimensional, real world data. When
compared to a classical artificial neural network with a similar number of
parameters, our QNN demonstrates significantly better results for noisy and
scarce data, and thus motivates future work to explore this potential quantum
advantage in surrogate modelling. Finally, we demonstrate the performance of
current NISQ hardware experimentally and estimate the gate fidelities necessary
to replicate our simulation results.
- Abstract（参考訳）: サロゲートモデルは、与えられたブラックボックス関数を効率的に近似するために、産業や学界でユビキタスに使われている。
古典的機械学習の最先端の手法は、実用的応用においてしばしば希少でノイズの多いデータセットのために、この問題を解決するのにしばしば苦労しているため、新しいアプローチを調査することは非常に興味深い。
量子ニューラルネットワーク (QNN) が, 希少かつノイズの多いデータの存在下で, 古典的アナログよりも優れる可能性を示唆する最近の理論的結果により, このシナリオの質的性能を実証的に評価した。
我々のコントリビューションは、QNNを高次元の実世界データ上の代理モデルとして使う最初のアプリケーション中心のアプローチを示す。
類似したパラメータを持つ古典的人工ニューラルネットワークと比較すると、我々のQNNはノイズや不足データに対してはるかに優れた結果を示しており、代理モデリングにおけるこの潜在的な量子優位性を探究する動機となっている。
最後に,現在のNISQハードウェアの性能を実験的に実証し,シミュレーション結果の再現に必要なゲート特性を推定する。
関連論文リスト
- Learning Density Functionals from Noisy Quantum Data [0.0]
ノイズの多い中間スケール量子(NISQ)デバイスは、機械学習(ML)モデルのトレーニングデータを生成するために使用される。
NISQアルゴリズムの典型的なノイズを受ける小さなデータセットからニューラルネットワークMLモデルをうまく一般化できることを示す。
本研究は,NISQデバイスを実用量子シミュレーションに活用するための有望な経路であることを示唆する。
論文 参考訳（メタデータ） (2024-09-04T17:59:55Z) - Coherent Feed Forward Quantum Neural Network [2.1178416840822027]
量子ニューラルネットワーク(QNN)に焦点をあてた量子機械学習は、いまだに膨大な研究分野である。
適応可能な中間層とノードの観点から,従来のFFNNの汎用性とシームレスに整合するボナフェイドQNNモデルを提案する。
本研究では,診断乳がん(Wisconsin)やクレジットカード不正検出データセットなど,さまざまなベンチマークデータセットを用いて提案モデルを検証した。
論文 参考訳（メタデータ） (2024-02-01T15:13:26Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - 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 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) - Binary classifiers for noisy datasets: a comparative study of existing
quantum machine learning frameworks and some new approaches [0.0]
バイナリ分類を改善するためにQuantum Machine Learningフレームワークを適用した。
ノイズの多いデータセットは 財務的なデータセットの中にあります
新しいモデルでは、データセットの非対称ノイズに対する学習特性が向上する。
論文 参考訳（メタデータ） (2021-11-05T10:29:05Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - The dilemma of quantum neural networks [63.82713636522488]
量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。
QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。
これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
論文 参考訳（メタデータ） (2021-06-09T10:41:47Z) - Quantum Self-Supervised Learning [22.953284192004034]
対照的自己監督学習のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。
ibmq_paris量子コンピュータ上の見えない画像を分類するために、最良の量子モデルを適用します。
論文 参考訳（メタデータ） (2021-03-26T18:00:00Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z)
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。