論文の概要: Quantum Machine Learning on Near-Term Quantum Devices: Current State of
Supervised and Unsupervised Techniques for Real-World Applications
- arxiv url: http://arxiv.org/abs/2307.00908v1
- Date: Mon, 3 Jul 2023 10:12:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-05 13:28:00.928604
- Title: Quantum Machine Learning on Near-Term Quantum Devices: Current State of
Supervised and Unsupervised Techniques for Real-World Applications
- Title（参考訳）: 近接量子デバイスを用いた量子機械学習:実世界応用のための監視・非監督技術の現状
- Authors: Yaswitha Gujju, Atsushi Matsuo and Rudy Raymond
- Abstract要約: この調査は、量子ハードウェア上に実装された教師なしおよび教師なしの学習アプリケーションに焦点をあてる。
量子ハードウェア上でのQML実装の現在の制限について検討し、強調する。
従来のQML実装と比較して,これらのQML実装の性能を評価する。
- 参考スコア（独自算出の注目度）: 4.00916638804083
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The past decade has seen considerable progress in quantum hardware in terms
of the speed, number of qubits and quantum volume which is defined as the
maximum size of a quantum circuit that can be effectively implemented on a
near-term quantum device. Consequently, there has also been a rise in the
number of works based on the applications of Quantum Machine Learning (QML) on
real hardware to attain quantum advantage over their classical counterparts. In
this survey, our primary focus is on selected supervised and unsupervised
learning applications implemented on quantum hardware, specifically targeting
real-world scenarios. Our survey explores and highlights the current
limitations of QML implementations on quantum hardware. We delve into various
techniques to overcome these limitations, such as encoding techniques, ansatz
structure, error mitigation, and gradient methods. Additionally, we assess the
performance of these QML implementations in comparison to their classical
counterparts. Finally, we conclude our survey with a discussion on the existing
bottlenecks associated with applying QML on real quantum devices and propose
potential solutions for overcoming these challenges in the future.
- Abstract（参考訳）: 過去10年間、量子ハードウェアの速度、量子ビット数、量子ボリュームは量子回路の最大サイズとして定義され、短期的な量子デバイスで効果的に実装できる。
その結果、量子機械学習(QML)の実際のハードウェアへの応用に基づいて、古典的なハードウェアよりも量子上の優位性を得る研究が増えている。
本調査では,量子ハードウェア上に実装された教師付きおよび教師なしの学習アプリケーション,特に実世界のシナリオを対象としている。
我々の調査は量子ハードウェアにおけるQML実装の現在の限界を探求し、強調する。
符号化技術、アンザッツ構造、エラー軽減、勾配法など、これらの制限を克服する様々な手法を探索する。
さらに,これらのQML実装の性能を,従来の実装と比較して評価する。
最後に,実量子デバイスにqmlを適用する際の既存のボトルネックについて考察し,これらの課題を克服するための潜在的な解決策を提案する。
関連論文リスト
- Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。
この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。
我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
論文 参考訳（メタデータ） (2024-11-13T12:03:39Z) - Distributed Quantum Computing for Chemical Applications [10.679753825744964]
分散量子コンピューティング(DQC)は、計算処理を多くのデバイスに分散させることによって計算能力を高めることを目的としている。
DQCは、多くのデバイスに計算プロセスを分散させることによって計算能力を高めることを目的としており、量子デバイスに必要なノイズと回路深度を最小限にすることを目的としている。
論文 参考訳（メタデータ） (2024-08-09T21:42:51Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - Near-Term Quantum Computing Techniques: Variational Quantum Algorithms,
Error Mitigation, Circuit Compilation, Benchmarking and Classical Simulation [5.381727213688375]
私たちはまだ、本格的な量子コンピュータの成熟まで長い道のりを歩んでいます。
注目すべき課題は、非自明なタスクを確実に実行可能なアプリケーションを開発することです。
誤りを特徴づけ、緩和するために、いくつかの短期量子コンピューティング技術が提案されている。
論文 参考訳（メタデータ） (2022-11-16T07:53:15Z) - Potential and limitations of quantum extreme learning machines [55.41644538483948]
本稿では,QRCとQELMをモデル化するフレームワークを提案する。
我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
論文 参考訳（メタデータ） (2022-10-03T09:32:28Z) - 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 Machine Learning for Software Supply Chain Attacks: How Far Can
We Go? [5.655023007686363]
本稿では、量子機械学習(QML)と呼ばれる機械学習アルゴリズムに適用されたQCの高速化性能について分析する。
実際の量子コンピュータの限界により、QML法はQiskitやIBM Quantumといったオープンソースの量子シミュレータ上で実装された。
興味深いことに、実験結果は、SSC攻撃の古典的アプローチと比較して計算時間と精度の低下を示すことによって、QCの約束を早めることと異なる。
論文 参考訳（メタデータ） (2022-04-04T21:16:06Z) - Variational Quantum Algorithms [1.9486734911696273]
量子コンピュータは、大規模量子システムや大規模線形代数問題を解くなどの応用を解くことを約束する。
現在利用可能な量子デバイスには、量子ビット数の制限や回路深さを制限するノイズプロセスなど、深刻な制約がある。
パラメトリズド量子回路のトレーニングに古典的シミュレーションを用いる変分量子アルゴリズム(vqas)は、これらの制約に対処するための主要な戦略として登場した。
論文 参考訳（メタデータ） (2020-12-16T21:00:46Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z) - Minimizing estimation runtime on noisy quantum computers [0.0]
ベイズ推論の実行には、ELF(Engineered chance function)が用いられる。
物理ハードウェアがノイズの多い量子コンピュータの仕組みから遷移するにつれて,ELF形式がサンプリングにおける情報ゲイン率をいかに向上させるかを示す。
この技術は、化学、材料、ファイナンスなどを含む多くの量子アルゴリズムの中心的なコンポーネントを高速化する。
論文 参考訳（メタデータ） (2020-06-16T17:46:18Z)
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。