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/2307.00908v2
- Date: Tue, 5 Dec 2023 11:26:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 19:58:35.978919
- 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で実行される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当てる。
エンコーディング、アンサッツ構造、エラー軽減、これらの課題に対処するための勾配法といったテクニックをカバーしている。
- 参考スコア（独自算出の注目度）: 1.9152655229960787
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The past decade has witnessed significant advancements in quantum hardware,
encompassing improvements in speed, qubit quantity, and quantum volume-a metric
defining the maximum size of a quantum circuit effectively implementable on
near-term quantum devices. This progress has led to a surge in Quantum Machine
Learning (QML) applications on real hardware, aiming to achieve quantum
advantage over classical approaches. This survey focuses on selected supervised
and unsupervised learning applications executed on quantum hardware,
specifically tailored for real-world scenarios. The exploration includes a
thorough analysis of current QML implementation limitations on quantum
hardware, covering techniques like encoding, ansatz structure, error
mitigation, and gradient methods to address these challenges. Furthermore, the
survey evaluates the performance of QML implementations in comparison to
classical counterparts. In conclusion, we discuss existing bottlenecks related
to applying QML on real quantum devices and propose potential solutions to
overcome these challenges in the future.
- Abstract（参考訳）: 過去10年間、量子ハードウェアの大幅な進歩が見られ、速度、量子ビット量、量子ボリュームが改善され、量子回路の最大サイズを定義する計量が近未来の量子デバイスで効果的に実装された。
この進歩により、量子機械学習(QML)の実際のハードウェアへの応用が急増し、古典的なアプローチに対する量子優位性の実現を目指している。
この調査は、量子ハードウェア上で実行される教師なしおよび教師なしの学習アプリケーション、特に現実世界のシナリオに適したものに焦点を当てている。
この調査では、量子ハードウェア上での現在のQML実装制限を徹底的に分析し、エンコーディング、アンサッツ構造、エラー軽減、これらの課題に対処するための勾配メソッドなどのテクニックをカバーしている。
さらに,従来のQML実装と比較して,QML実装の性能を評価する。
結論として、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議論し、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。