論文の概要: Exponential separations between classical and quantum learners
- arxiv url: http://arxiv.org/abs/2306.16028v1
- Date: Wed, 28 Jun 2023 08:55:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-29 15:08:09.240248
- Title: Exponential separations between classical and quantum learners
- Title(参考訳): 古典と量子学習者の指数的分離
- Authors: Casper Gyurik and Vedran Dunjko
- Abstract要約: 我々は,定義の微妙な違いが,学習者が満足して解決すべき要件や課題を著しく異なるものにする可能性について論じる。
本稿では,データ生成関数の同定に古典的困難を主眼として,2つの新たな学習分離を提案する。
- 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: Despite significant effort, the quantum machine learning community has only
demonstrated quantum learning advantages for artificial cryptography-inspired
datasets when dealing with classical data. In this paper we address the
challenge of finding learning problems where quantum learning algorithms can
achieve a provable exponential speedup over classical learning algorithms. We
reflect on computational learning theory concepts related to this question and
discuss how subtle differences in definitions can result in significantly
different requirements and tasks for the learner to meet and solve. We examine
existing learning problems with provable quantum speedups and find that they
largely rely on the classical hardness of evaluating the function that
generates the data, rather than identifying it. To address this, we present two
new learning separations where the classical difficulty primarily lies in
identifying the function generating the data. Furthermore, we explore
computational hardness assumptions that can be leveraged to prove quantum
speedups in scenarios where data is quantum-generated, which implies likely
quantum advantages in a plethora of more natural settings (e.g., in condensed
matter and high energy physics). We also discuss the limitations of the
classical shadow paradigm in the context of learning separations, and how
physically-motivated settings such as characterizing phases of matter and
Hamiltonian learning fit in the computational learning framework.
- Abstract(参考訳): かなりの努力にもかかわらず、量子機械学習コミュニティは、古典的なデータを扱う際に、人工暗号に触発されたデータセットに対して量子学習の利点しか示していない。
本稿では、量子学習アルゴリズムが古典学習アルゴリズムよりも証明可能な指数的高速化を達成できる学習問題を見つけることの課題に対処する。
本稿では,この問題に関連する計算学習理論の概念を考察し,定義の微妙な違いが,学習者が満足して解決すべき要件や課題をいかに大きく異なるものにするかを考察する。
証明可能な量子スピードアップによる既存の学習問題を検証し、データを生成する関数を識別するのではなく、その古典的な難易度に大きく依存していることを見出した。
そこで本研究では,古典的難易度は主にデータ生成関数の同定にある2つの新しい学習分離を提案する。
さらに、データが量子生成されるシナリオで量子速度を証明できる計算のハードネスの仮定を探求し、より自然な設定(凝縮物や高エネルギー物理学など)で量子の利点を示唆する。
また,学習分離の文脈における古典的な影のパラダイムの限界や,物質相の特徴付けやハミルトン学習といった物理的動機づけのある設定が計算学習フレームワークにどのように適合するかについても論じた。
関連論文リスト
- Information-theoretic generalization bounds for learning from quantum
data [3.618615996077951]
古典量子データに基づくトレーニングにより量子学習を記述するための数学的定式化を提案する。
我々は,古典的および量子的情報理論量の観点から,量子学習者の期待する一般化誤差を証明した。
我々の研究は、量子学習に関する量子情報理論的な視点を統一するための基礎を築いた。
論文 参考訳(メタデータ) (2023-11-09T17:21:38Z) - Quantum algorithms: A survey of applications and end-to-end complexities [90.05272647148196]
期待されている量子コンピュータの応用は、科学と産業にまたがる。
本稿では,量子アルゴリズムの応用分野について検討する。
私たちは、各領域における課題と機会を"エンドツーエンド"な方法で概説します。
論文 参考訳(メタデータ) (2023-10-04T17:53:55Z) - Statistical Complexity of Quantum Learning [35.49167661307331]
本稿では,情報理論を用いた量子学習の複雑さについて概説する。
データ複雑性、コピー複雑性、モデルの複雑さに重点を置いています。
我々は、教師なし学習と教師なし学習の両方に対処することで、量子学習と古典学習の違いを強調する。
論文 参考訳(メタデータ) (2023-09-20T20:04:05Z) - 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) - Classical Verification of Quantum Learning [42.362388367152256]
量子学習の古典的検証のための枠組みを開発する。
そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。
この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
論文 参考訳(メタデータ) (2023-06-08T00:31:27Z) - 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) - 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) - 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) - On establishing learning separations between classical and quantum
machine learning with classical data [0.0]
量子学習アルゴリズムが従来の学習アルゴリズムよりもはるかに高速に学習できる学習問題を見つけることの課題について論じる。
証明可能な量子スピードアップを用いて既存の学習問題を研究し、より汎用的で十分な条件の集合を蒸留する。
これらのチェックリストは、学習問題に対する量子スピードアップを証明するためのアプローチの合理化やボトルネックの解明を目的としている。
論文 参考訳(メタデータ) (2022-08-12T16:00:30Z) - 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)
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。