論文の概要: MNISQ: A Large-Scale Quantum Circuit Dataset for Machine Learning on/for Quantum Computers in the NISQ era

• arxiv url: http://arxiv.org/abs/2306.16627v1
• Date: Thu, 29 Jun 2023 02:04:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-30 15:05:56.989058
• Title: MNISQ: A Large-Scale Quantum Circuit Dataset for Machine Learning on/for Quantum Computers in the NISQ era
• Title（参考訳）: MNISQ: NISQ時代の量子コンピュータにおける機械学習のための大規模量子回路データセット
• Authors: Leonardo Placidi, Ryuichiro Hataya, Toshio Mori, Koki Aoyama, Hayata Morisaki, Kosuke Mitarai, Keisuke Fujii
• Abstract要約: MNISQは9つのサブデータセットから構成される4,950,000のデータポイントで構成されている。 我々は、量子形式、回路として、古典形式、量子回路記述として、データセットを二重形式で提供します。 量子カーネル法を用いて回路データセットを検証し,97%の精度で優れた結果を得た。
• 参考スコア（独自算出の注目度）: 2.652805765181667
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We introduce the first large-scale dataset, MNISQ, for both the Quantum and the Classical Machine Learning community during the Noisy Intermediate-Scale Quantum era. MNISQ consists of 4,950,000 data points organized in 9 subdatasets. Building our dataset from the quantum encoding of classical information (e.g., MNIST dataset), we deliver a dataset in a dual form: in quantum form, as circuits, and in classical form, as quantum circuit descriptions (quantum programming language, QASM). In fact, also the Machine Learning research related to quantum computers undertakes a dual challenge: enhancing machine learning exploiting the power of quantum computers, while also leveraging state-of-the-art classical machine learning methodologies to help the advancement of quantum computing. Therefore, we perform circuit classification on our dataset, tackling the task with both quantum and classical models. In the quantum endeavor, we test our circuit dataset with Quantum Kernel methods, and we show excellent results up to $97\%$ accuracy. In the classical world, the underlying quantum mechanical structures within the quantum circuit data are not trivial. Nevertheless, we test our dataset on three classical models: Structured State Space sequence model (S4), Transformer and LSTM. In particular, the S4 model applied on the tokenized QASM sequences reaches an impressive $77\%$ accuracy. These findings illustrate that quantum circuit-related datasets are likely to be quantum advantageous, but also that state-of-the-art machine learning methodologies can competently classify and recognize quantum circuits. We finally entrust the quantum and classical machine learning community the fundamental challenge to build more quantum-classical datasets like ours and to build future benchmarks from our experiments. The dataset is accessible on GitHub and its circuits are easily run in qulacs or qiskit.
• Abstract（参考訳）: ノイズ中規模量子時代における量子と古典的機械学習の両コミュニティを対象とした,最初の大規模データセットであるMNISQを紹介する。 MNISQは9つのサブデータセットから構成される4,950,000のデータポイントで構成されている。 古典的な情報(例えばMNISTデータセット)の量子符号化からデータセットを構築することで、量子形式、回路として、古典形式で、量子回路記述(量子プログラミング言語、QASM)としてデータセットを2つの形式で提供します。 実際、量子コンピュータに関連する機械学習の研究は、量子コンピュータのパワーを活用した機械学習の強化と、最先端の古典的機械学習方法論を活用した量子コンピューティングの進歩という、2つの課題を負っている。 そこで我々は,量子モデルと古典モデルの両方で課題に取り組むため,データセット上で回路分類を行う。 量子解法では、量子カーネル法を用いて回路データセットをテストし、最大9,7\%の精度で優れた結果を示す。 古典の世界では、量子回路データの基盤となる量子力学的構造は自明ではない。 それにもかかわらず、我々はStructured State Space Sequence Model (S4)、Transformer、LSTMの3つの古典モデルでデータセットをテストする。 特に、トークン化されたQASMシーケンスに適用されたS4モデルは、79\%の精度に到達した。 これらの結果は、量子回路関連データセットは量子上有利である可能性が高いだけでなく、最先端の機械学習手法が量子回路の分類と認識に有能であることを示している。 最後に、量子および古典的な機械学習コミュニティに、私たちのような量子古典的データセットを構築し、実験から将来のベンチマークを構築するための根本的な課題を委ねます。 データセットはgithubからアクセスでき、回路はqulacsやqiskitで簡単に実行できる。

関連論文リスト

• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Quantum Hamiltonian Embedding of Images for Data Reuploading Classifiers [0.9374652839580181]
  最初の考慮事項の1つは、量子機械学習モデル自体の設計である。 最近の研究は、スピードアップによる量子アドバンテージが量子機械学習の正しい目標かどうかを疑問視し始めた。 本稿では,古典的なディープラーニングアルゴリズムの設計を量子ニューラルネットワークの設計に取り入れることで,代替手法を提案する。
  論文  参考訳（メタデータ） (2024-07-19T06:31:22Z)
• 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)
• VQE-generated Quantum Circuit Dataset for Machine Learning [0.5658123802733283]
  変動量子固有解法により最適化された量子回路のデータセットを提供する。 このデータセットは量子的手法で容易に学習できることが示される。
  論文  参考訳（メタデータ） (2023-02-20T04:08:44Z)
• 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)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• Quantum neural networks [0.0]
  この論文は、過去数十年で最もエキサイティングな研究分野である量子コンピューティングと機械学習を組み合わせたものだ。 本稿では、汎用量子計算が可能で、トレーニング中にメモリ要求の少ない散逸型量子ニューラルネットワーク(DQNN)を紹介する。
  論文  参考訳（メタデータ） (2022-05-17T07:47:00Z)
• Entangled Datasets for Quantum Machine Learning [0.0]
  代わりに量子状態からなる量子データセットを使うべきだと我々は主張する。 NTangledデータセットの状態を生成するために量子ニューラルネットワークをどのように訓練するかを示す。 また、拡張性があり、量子回路によって準備された状態で構成される、別の絡み合いベースのデータセットについても検討する。
  論文  参考訳（メタデータ） (2021-09-08T02:20:13Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)

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。