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/2307.02091v3
- Date: Wed, 1 May 2024 02:11:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-02 20:30:46.696917
- Title: Quantum support vector machines for classification and regression on a trapped-ion quantum computer
- Title(参考訳): トラップイオン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検討する。
本稿では,これらのモデルについて,ノイズと非ノイズの双方を考慮した量子回路シミュレータとIonQ Harmony量子プロセッサを用いて検討する。
分類タスクでは, 捕捉イオン量子コンピュータの4量子ビットを用いたQSVCモデルの性能は, ノイズレス量子回路シミュレーションで得られたものと同等であった。
- 参考スコア(独自算出の注目度): 9.736685719039599
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum machine learning is a rapidly growing field at the intersection of quantum computing and machine learning. In this work, we examine our quantum machine learning models, which are based on quantum support vector classification (QSVC) and quantum support vector regression (QSVR). We investigate these models using a quantum-circuit simulator, both with and without noise, as well as the IonQ Harmony quantum processor. For the QSVC tasks, we use a dataset containing fraudulent credit card transactions and image datasets (the MNIST and the Fashion-MNIST datasets); for the QSVR tasks, we use a financial dataset and a materials dataset. For the classification tasks, the performance of our QSVC models using 4 qubits of the trapped-ion quantum computer was comparable to that obtained from noiseless quantum-circuit simulations. The result is consistent with the analysis of our device-noise simulations with varying qubit-gate error rates. For the regression tasks, applying a low-rank approximation to the noisy quantum kernel, in combination with hyperparameter tuning in {\epsilon}-SVR, improved the performance of the QSVR models on the near-term quantum device. The alignment, as measured by the Frobenius inner product between the noiseless and noisy quantum kernels, can serve as an indicator of the relative prediction performance on noisy quantum devices in comparison with their ideal counterparts. Our results suggest that the quantum kernel, as described by our shallow quantum circuit, can be effectively used for both QSVC and QSVR tasks, indicating its resistance to noise and its adaptability to various datasets.
- Abstract(参考訳): 量子機械学習は、量子コンピューティングと機械学習の交差点で急速に成長する分野である。
本研究では、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。
本稿では,これらのモデルについて,ノイズと非ノイズの双方を考慮した量子回路シミュレータとIonQ Harmony量子プロセッサを用いて検討する。
QSVCタスクには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使用し、QSVRタスクには財務データセットと資料データセットを使用します。
分類タスクでは, 捕捉イオン量子コンピュータの4量子ビットを用いたQSVCモデルの性能は, ノイズレス量子回路シミュレーションで得られたものと同等であった。
その結果, クビットゲート誤り率の異なるデバイスノイズシミュレーションの解析結果と一致した。
回帰タスクでは、ノイズ量子カーネルに低ランク近似を適用し、超パラメータチューニングと組み合わせて、近未来の量子デバイス上でのQSVRモデルの性能を改善した。
フロベニウス内部積によって測定されたアライメントは、ノイズのない量子核とノイズの多い量子核の間で測定され、ノイズの多い量子デバイス上での相対予測性能の指標となる。
この結果から,量子カーネルはQSVCとQSVRの両方のタスクに効果的に利用でき,ノイズに対する耐性と各種データセットへの適応性を示すことが示唆された。
関連論文リスト
- Quantum subspace expansion in the presence of hardware noise [0.0]
現在の量子処理ユニット(QPU)の基底状態エネルギーの発見は課題を呈し続けている。
ハードウェアノイズは、パラメタライズド量子回路の表現性とトレーニング性の両方に深刻な影響を及ぼす。
量子サブスペース拡張とVQEを統合する方法を示し、量子コンピューティング能力と古典コンピューティング能力とコストの最適なバランスを可能にする。
論文 参考訳(メタデータ) (2024-04-14T02:48:42Z) - 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) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine
learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。
古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。
量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文 参考訳(メタデータ) (2023-01-13T09:35:05Z) - 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) - A Quantum Hopfield Associative Memory Implemented on an Actual Quantum
Processor [8.024434062411943]
本稿では,量子ホップフィールド連想メモリ(QHAM)について述べる。
QHAMは、多くの異なる機械学習アプリケーションに使用できる量子ニューロン設計に基づいている。
我々は、QHAMを量子ビットおよび回路レベルのエラーに対して有効メモリ容量をテストすることでベンチマークし、量子ハードウェアのNISQ時代におけるその能力を実証する。
論文 参考訳(メタデータ) (2021-05-25T00:45:57Z) - 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。