論文の概要: Quantum support vector machines for classification and regression on a
trapped-ion quantum computer
- arxiv url: http://arxiv.org/abs/2307.02091v1
- Date: Wed, 5 Jul 2023 08:06:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-06 14:46:09.575829
- Title: Quantum support vector machines for classification and regression on a
trapped-ion quantum computer
- Title(参考訳): 量子コンピュータにおける分類と回帰のための量子支援ベクトルマシン
- Authors: Teppei Suzuki, Takashi Hasebe, Tsubasa Miyazaki
- Abstract要約: 量子サポートベクトル分類(QSVC)と量子サポートベクトル回帰(QSVR)に基づく量子機械学習モデルについて検討する。
分類タスクでは,4量子ビットの捕捉イオン量子コンピュータを用いたQSVCモデルの性能は,ノイズのない量子計算シミュレーションと同等であった。
我々の量子回路で記述された量子カーネルは、QSVCとQSVRの両方のタスクに利用できることを示唆している。
- 参考スコア(独自算出の注目度): 9.900449472718194
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The quantum kernel method is one of the most important methods in quantum
machine learning. In the present work, we investigate our quantum machine
learning models based on quantum support vector classification (QSVC) and
quantum support vector regression (QSVR), using a quantum-circuit simulator
(with or without noise) as well as the IonQ Harmony quantum processor. A
dataset containing fraudulent credit card transactions and image datasets (the
MNIST and the Fashion-MNIST datasets) were used for the QSVC tasks, whereas a
financial dataset and a materials dataset were used for the QSVR tasks. For the
classification tasks, the performance of our QSVC models using the trapped-ion
quantum computer with 4 qubits was comparable to that obtained from noiseless
quantum-computing simulations, in agreement with the results of our
device-noise simulations with various values for qubit-gate error rates. For
the regression tasks, the use of a low-rank approximation to the noisy quantum
kernel in combination with hyperparameter tuning in {\epsilon}-SVR can be a
useful approach for improving the performance and robustness of the QSVR models
on the near-term quantum device. Our results suggest that the quantum kernel
described by our shallow quantum circuit can be used for both QSVC and QSVR
tasks, indicating its robustness to noise and its versatility to different
datasets.
- Abstract(参考訳): 量子カーネル法は量子機械学習において最も重要な手法の一つである。
本研究では,量子支援ベクトル分類(QSVC)と量子支援ベクトル回帰(QSVR)に基づく量子機械学習モデルについて,量子回路シミュレータ(ノイズの有無にかかわらず)とIonQ Harmony量子プロセッサを用いて検討する。
不正なクレジットカード取引と画像データセット(MNISTとFashion-MNISTデータセット)を含むデータセットをQSVCタスクに使用し、財務データセットと材料データセットをQSVRタスクに使用した。
分類タスクでは,4量子ビットの捕捉イオン量子コンピュータを用いたQSVCモデルの性能は,qubit-gate誤差率の異なるデバイスノイズシミュレーションの結果と一致して,ノイズのない量子計算シミュレーションと同等であった。
回帰タスクでは、ノイズ量子カーネルに対する低ランク近似と、"epsilon}-svr"におけるハイパーパラメータチューニングを組み合わせることで、短期量子デバイスにおけるqsvrモデルの性能と堅牢性を改善するための有用なアプローチとなる。
我々の量子回路で記述された量子カーネルはQSVCとQSVRの両方のタスクに利用でき、ノイズに対する堅牢性と異なるデータセットに対する汎用性を示している。
関連論文リスト
- Benchmarking Quantum Convolutional Neural Networks for Classification and Data Compression Tasks [0.4379805041989628]
量子畳み込みニューラルネットワーク(QCNN)は、量子機械学習タスクの有望なモデルとして登場した。
本稿では,量子基底状態の位相を分類するハードウェア効率アンサッツ(HEA)と比較してQCNNの性能について検討する。
論文 参考訳(メタデータ) (2024-11-20T17:17:09Z) - Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳(メタデータ) (2024-11-13T23:56:20Z) - 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) - Semisupervised Anomaly Detection using Support Vector Regression with
Quantum Kernel [0.0]
異常検出(AD)は、他のデータから何らかの方法で逸脱する観測や事象を特定することである。
本稿では,量子カーネルによる支持ベクトル回帰(SVR)の再構成損失に基づく半教師付きADへのアプローチを提案する。
量子カーネルを用いたSVRモデルは、RBFカーネルや他のすべてのモデルよりも優れた性能を示し、全てのデータセットに対して最高平均AUCを達成する。
論文 参考訳(メタデータ) (2023-08-01T15:00:14Z) - Variational Denoising for Variational Quantum Eigensolver [0.28675177318965045]
変分量子固有解法 (VQE) は、実用的な化学問題に量子的優位性を与える可能性を持つハイブリッドアルゴリズムである。
VQEは、特にノイズの多い量子デバイス上で動作する場合、タスク固有の設計とマシン固有のアーキテクチャの課題に直面します。
本稿では,VQEの解法を改善するために,パラメータ化量子ニューラルネットワークを用いた教師なし学習手法である変分分解を提案する。
論文 参考訳(メタデータ) (2023-04-02T14:56:15Z) - Investigation of Quantum Support Vector Machine for Classification in
NISQ era [0.0]
本稿では,量子支援ベクトルマシン(QSVM)アルゴリズムとその回路バージョンについて検討する。
量子回路におけるトレーニングおよびテストデータサンプルを符号化し,QSVM回路実装手法の効率性を計算する。
我々は、現在のNISQデバイスにQSVMアルゴリズムを適用する際に直面する技術的困難を強調した。
論文 参考訳(メタデータ) (2021-12-13T18:59:39Z) - Pulse-level noisy quantum circuits with QuTiP [53.356579534933765]
我々はQuTiPの量子情報処理パッケージであるqutip-qipに新しいツールを導入する。
これらのツールはパルスレベルで量子回路をシミュレートし、QuTiPの量子力学解法と制御最適化機能を活用する。
シミュレーションプロセッサ上で量子回路がどのようにコンパイルされ、制御パルスがターゲットハミルトニアンに作用するかを示す。
論文 参考訳(メタデータ) (2021-05-20T17:06:52Z) - Tensor Network Quantum Virtual Machine for Simulating Quantum Circuits
at Exascale [57.84751206630535]
本稿では,E-scale ACCelerator(XACC)フレームワークにおける量子回路シミュレーションバックエンドとして機能する量子仮想マシン(TNQVM)の近代化版を提案する。
新バージョンは汎用的でスケーラブルなネットワーク処理ライブラリであるExaTNをベースにしており、複数の量子回路シミュレータを提供している。
ポータブルなXACC量子プロセッサとスケーラブルなExaTNバックエンドを組み合わせることで、ラップトップから将来のエクサスケールプラットフォームにスケール可能なエンドツーエンドの仮想開発環境を導入します。
論文 参考訳(メタデータ) (2021-04-21T13:26:42Z) - 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) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳(メタデータ) (2020-07-24T06:34:34Z)
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。