論文の概要: Tackling Sampling Noise in Physical Systems for Machine Learning
Applications: Fundamental Limits and Eigentasks
- arxiv url: http://arxiv.org/abs/2307.16083v2
- Date: Mon, 30 Oct 2023 15:55:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 23:01:12.892070
- Title: Tackling Sampling Noise in Physical Systems for Machine Learning
Applications: Fundamental Limits and Eigentasks
- Title（参考訳）: 機械学習のための物理システムにおけるサンプリングノイズ対策 -基本限界と固有タスク-
- Authors: Fangjun Hu, Gerasimos Angelatos, Saeed A. Khan, Marti Vives, Esin
T\"ureci, Leon Bello, Graham E. Rowlands, Guilhem J. Ribeill, Hakan E.
T\"ureci
- Abstract要約: 本稿では,有限サンプリング雑音下での一般物理系の可解表現能力(REC)を評価するための枠組みを提案する。
次に,低雑音固有タスクの抽出が機械学習タスクの性能向上につながるという実証的証拠を提供する。
我々の発見は量子機械学習とセンシングの応用に幅広い影響を及ぼす。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The expressive capacity of physical systems employed for learning is limited
by the unavoidable presence of noise in their extracted outputs. Though present
in physical systems across both the classical and quantum regimes, the precise
impact of noise on learning remains poorly understood. Focusing on supervised
learning, we present a mathematical framework for evaluating the resolvable
expressive capacity (REC) of general physical systems under finite sampling
noise, and provide a methodology for extracting its extrema, the eigentasks.
Eigentasks are a native set of functions that a given physical system can
approximate with minimal error. We show that the REC of a quantum system is
limited by the fundamental theory of quantum measurement, and obtain a tight
upper bound for the REC of any finitely-sampled physical system. We then
provide empirical evidence that extracting low-noise eigentasks can lead to
improved performance for machine learning tasks such as classification,
displaying robustness to overfitting. We present analyses suggesting that
correlations in the measured quantum system enhance learning capacity by
reducing noise in eigentasks. The applicability of these results in practice is
demonstrated with experiments on superconducting quantum processors. Our
findings have broad implications for quantum machine learning and sensing
applications.
- Abstract（参考訳）: 学習に使用する物理系の表現能力は,抽出した出力のノイズの存在によって制限される。
古典系と量子系の両方に物理系が存在するが、学習におけるノイズの正確な影響はよく分かっていない。
教師付き学習に着目し,有限サンプリング雑音下での一般物理系の可解表現能力(REC)を評価する数学的枠組みを提案し,そのエクストリーム,固有タスクを抽出する手法を提案する。
固有タスクは、与えられた物理システムが最小限の誤差で近似できる関数のネイティブセットである。
量子系のRECは、量子測定の基本理論によって制限され、任意の有限サンプリング物理系のRECに対して厳密な上界が得られることを示す。
次に,低雑音固有タスクの抽出が,分類や過度適合性などの機械学習タスクのパフォーマンス向上につながるという実証的証拠を提供する。
本稿では,量子システムの相関が固有タスクのノイズ低減により学習能力を高めることを示唆する。
これらの結果の適用性は超伝導量子プロセッサの実験で実証されている。
我々の発見は量子機械学習とセンシングの応用に幅広い影響を及ぼす。
関連論文リスト
- Disentanglement process in dephasing channel with machine learning [0.0]
本稿では,2ビットシステムにおける雑音の除去を考慮した機械学習手法を提案する。
状態の分類と絡み合いに適したANNアルゴリズムは、トモグラフィー特徴のサブセットのみを用いて優れた性能を示す。
論文 参考訳（メタデータ） (2024-10-28T20:18:04Z) - Generalization Error in Quantum Machine Learning in the Presence of Sampling Noise [0.8532753451809455]
Eigentask Learningは、出力サンプリングノイズの存在下で無限入力トレーニングデータで学習するフレームワークである。
入力トレーニングデータセットと出力計測サンプリングショットの両方が有限である場合、汎用量子機械学習システムのトレーニングおよび一般化誤差を算出する。
論文 参考訳（メタデータ） (2024-10-18T17:48:24Z) - Noise-assisted digital quantum simulation of open systems [1.3124513975412255]
本稿では,オープン量子システムのシミュレーションに必要な計算資源を削減するために,量子デバイス固有のノイズを利用する新しい手法を提案する。
具体的には、量子回路におけるデコヒーレンス率を選択的に向上または低減し、開系力学の所望のシミュレーションを実現する。
論文 参考訳（メタデータ） (2023-02-28T14:21:43Z) - Quantifying the Expressive Capacity of Quantum Systems: Fundamental
Limits and Eigentasks [0.0]
機械学習のための量子システムの表現能力は、測定中に発生する量子サンプリングノイズによって制限される。
有限個の測定値から一般量子系の表現能力を評価するための数学的枠組みを提案する。
低ノイズ固有タスクを抽出することで,分類や過度適合性などの機械学習タスクのパフォーマンスが向上することを示す。
論文 参考訳（メタデータ） (2022-12-30T20:15:31Z) - 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) - Noisy Quantum Kernel Machines [58.09028887465797]
量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。
消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。
量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
論文 参考訳（メタデータ） (2022-04-26T09:52:02Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z) - 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) - Quantum Non-equilibrium Many-Body Spin-Photon Systems [91.3755431537592]
論文は、非平衡状態における強相関量子系の量子力学に関するものである。
本研究の主な成果は, 臨界ダイナミクスのシグナチャ, 超ストロング結合のテストベッドとしての駆動ディックモデル, キブルズルーク機構の3つにまとめることができる。
論文 参考訳（メタデータ） (2020-07-23T19:05:56Z) - Beyond Quantum Noise Spectroscopy: modelling and mitigating noise with
quantum feature engineering [0.0]
量子技術を使って、科学や産業など、有用なタスクをこなせる能力は、正確な量子制御に根ざしている。
一般に、量子システムやデバイスの特徴付けが困難であるため、提案された解を評価することは困難である。
本稿では,量子的特徴からなる新しいディープラーニングフレームワークを応用した汎用的特徴化・制御ソリューションを提案する。
論文 参考訳（メタデータ） (2020-03-15T13:24:45Z) - Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。
この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。
我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文 参考訳（メタデータ） (2020-01-15T18:36:53Z)
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。