論文の概要: MORE: Measurement and Correlation Based Variational Quantum Circuit for
Multi-classification
- arxiv url: http://arxiv.org/abs/2307.11875v1
- Date: Fri, 21 Jul 2023 19:33:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 19:19:30.281850
- Title: MORE: Measurement and Correlation Based Variational Quantum Circuit for
Multi-classification
- Title（参考訳）: MORE:マルチクラス化のための測定と相関に基づく変分量子回路
- Authors: Jindi Wu, Tianjie Hu, Qun Li
- Abstract要約: MOREは、測定と相関に基づく変分量子多重分類器の略である。
我々はQiskit Pythonライブラリを使ってMOREを実装し、ノイズフリーとノイズの多い量子システムの両方で広範囲にわたる実験により評価する。
- 参考スコア（独自算出の注目度）: 10.969833959443495
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum computing has shown considerable promise for compute-intensive tasks
in recent years. For instance, classification tasks based on quantum neural
networks (QNN) have garnered significant interest from researchers and have
been evaluated in various scenarios. However, the majority of quantum
classifiers are currently limited to binary classification tasks due to either
constrained quantum computing resources or the need for intensive classical
post-processing. In this paper, we propose an efficient quantum
multi-classifier called MORE, which stands for measurement and correlation
based variational quantum multi-classifier. MORE adopts the same variational
ansatz as binary classifiers while performing multi-classification by fully
utilizing the quantum information of a single readout qubit. To extract the
complete information from the readout qubit, we select three observables that
form the basis of a two-dimensional Hilbert space. We then use the quantum
state tomography technique to reconstruct the readout state from the
measurement results. Afterward, we explore the correlation between classes to
determine the quantum labels for classes using the variational quantum
clustering approach. Next, quantum label-based supervised learning is performed
to identify the mapping between the input data and their corresponding quantum
labels. Finally, the predicted label is determined by its closest quantum label
when using the classifier. We implement this approach using the Qiskit Python
library and evaluate it through extensive experiments on both noise-free and
noisy quantum systems. Our evaluation results demonstrate that MORE, despite
using a simple ansatz and limited quantum resources, achieves advanced
performance.
- Abstract（参考訳）: 近年、量子コンピューティングは計算集約的なタスクにかなり期待されている。
例えば、量子ニューラルネットワーク(QNN)に基づく分類タスクは、研究者から大きな関心を集め、様々なシナリオで評価されてきた。
しかし、量子分類器の大多数は、制限された量子コンピューティング資源または古典的な後処理の必要性のため、現在二項分類タスクに限られている。
本稿では,計測と相関に基づく変分型量子多重分類器の略である more と呼ばれる効率的な量子多重分類器を提案する。
more はバイナリ分類器と同じ変分 ansatz を採用し、単一の読み出しキュービットの量子情報を完全に活用してマルチクラス化を行う。
読み出しキュービットから完全情報を抽出するために、2次元ヒルベルト空間の基底となる3つの可観測空間を選択する。
次に、量子状態トモグラフィー法を用いて測定結果から読み出し状態を再構成する。
その後、クラス間の相関関係を調べ、変分的量子クラスタリング手法を用いて、クラスの量子ラベルを決定する。
次に、量子ラベルに基づく教師付き学習を行い、入力データとその対応する量子ラベル間のマッピングを特定する。
最後に、予測ラベルは、分類器を使用する際に、最も近い量子ラベルによって決定される。
本稿では,Qiskit Pythonライブラリを用いて,雑音のない量子システムとノイズの多い量子システムの両方に関する広範囲な実験により評価する。
評価の結果,単純なアンサッツと限られた量子リソースを用いながら,高度な性能を実現することができた。
関連論文リスト
- Supervised binary classification of small-scale digits images with a trapped-ion quantum processor [56.089799129458875]
量子プロセッサは、考慮された基本的な分類タスクを正しく解くことができることを示す。
量子プロセッサの能力が向上するにつれ、機械学習の有用なツールになり得る。
論文 参考訳（メタデータ） (2024-06-17T18:20:51Z) - 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) - Multimodal deep representation learning for quantum cross-platform
verification [60.01590250213637]
初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。
本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。
我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
論文 参考訳（メタデータ） (2023-11-07T04:35:03Z) - A hybrid quantum-classical classifier based on branching multi-scale
entanglement renormalization ansatz [5.548873288570182]
本稿では,ラベル伝搬に基づく量子半教師付き分類器を提案する。
グラフ構築の難しさを考慮し,変分量子ラベル伝搬法(VQLP)を開発した。
本手法では、最適化に必要なパラメータを減らすために、局所パラメータ化量子回路を作成する。
論文 参考訳（メタデータ） (2023-03-14T13:46:45Z) - Variational Quantum Eigensolver for Classification in Credit Sales Risk [0.5524804393257919]
本稿では,変分量子固有解器(VQE)といわゆるSWAP-Testに基づく量子回路について考察する。
活用されたデータセットでは、2つのクラスが観察できる。
この解はコンパクトであり、対数的に増加するキュービット数だけを必要とする。
論文 参考訳（メタデータ） (2023-03-05T23:08:39Z) - 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) - Multi-class quantum classifiers with tensor network circuits for quantum
phase recognition [0.0]
ネットワークにインスパイアされた回路は、変分量子固有解回路の自然な選択として提案されている。
本稿では,ツリーテンソルネットワークとマルチスケール再正規化アンサッツ回路に基づくマルチクラスの絡み合いに関する数値実験を行う。
論文 参考訳（メタデータ） (2021-10-15T21:55:13Z) - Recent advances for quantum classifiers [2.459525036555352]
本稿では,量子支援ベクトルマシン,量子カーネル法,量子決定木,量子近接アルゴリズムなど,多数の量子分類アルゴリズムについて概説する。
次に、基本的に分類のための変分量子回路である変分量子分類器を紹介する。
論文 参考訳（メタデータ） (2021-08-30T18:00:00Z) - 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) - Facial Expression Recognition on a Quantum Computer [68.8204255655161]
量子機械学習手法を用いて表情認識の可能な解を示す。
適切に定義された量子状態の振幅に符号化されたグラフの隣接行列を操作する量子回路を定義する。
論文 参考訳（メタデータ） (2021-02-09T13:48:00Z) - VSQL: Variational Shadow Quantum Learning for Classification [6.90132007891849]
我々は,変分影量子学習と呼ぶ教師付き量子学習のための新しいハイブリッド量子古典フレームワークを提案する。
まず,変分影量子回路を用いて古典的特徴を畳み込みで抽出し,完全連結ニューラルネットワークを用いて分類タスクを完了させる。
本手法は,パラメータ数を著しく削減し,量子回路トレーニングをより容易に行うことができることを示す。
論文 参考訳（メタデータ） (2020-12-15T13:51:01Z)
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。