論文の概要: Application-Oriented Benchmarking of Quantum Generative Learning Using QUARK

• arxiv url: http://arxiv.org/abs/2308.04082v1
• Date: Tue, 8 Aug 2023 06:41:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-09 13:45:02.456939
• Title: Application-Oriented Benchmarking of Quantum Generative Learning Using QUARK
• Title（参考訳）: quRKを用いた量子生成学習のアプリケーション指向ベンチマーク
• Authors: Florian J. Kiwit, Marwa Marso, Philipp Ross, Carlos A. Riofr\'io, Johannes Klepsch, Andre Luckow
• Abstract要約: QUantum Computing Application benchmaRK (QUARK) フレームワークは、量子コンピューティングアプリケーションのためのベンチマーク研究を単純化し、標準化する。 本稿では、量子生成モデルのトレーニングと展開を評価する機能を含む、quirrKのいくつかの拡張を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Benchmarking of quantum machine learning (QML) algorithms is challenging due to the complexity and variability of QML systems, e.g., regarding model ansatzes, data sets, training techniques, and hyper-parameters selection. The QUantum computing Application benchmaRK (QUARK) framework simplifies and standardizes benchmarking studies for quantum computing applications. Here, we propose several extensions of QUARK to include the ability to evaluate the training and deployment of quantum generative models. We describe the updated software architecture and illustrate its flexibility through several example applications: (1) We trained different quantum generative models using several circuit ansatzes, data sets, and data transformations. (2) We evaluated our models on GPU and real quantum hardware. (3) We assessed the generalization capabilities of our generative models using a broad set of metrics that capture, e.g., the novelty and validity of the generated data.
• Abstract（参考訳）: 量子機械学習(QML)アルゴリズムのベンチマークは、QMLシステムの複雑さと変動性、例えば、モデルアンサーゼ、データセット、トレーニング技術、ハイパーパラメータ選択などによって困難である。 QUantum Computing Application benchmaRK (QUARK) フレームワークは、量子コンピューティングアプリケーションのためのベンチマーク研究を単純化し、標準化する。 本稿では、量子生成モデルのトレーニングと展開を評価する機能を含むクォークの拡張をいくつか提案する。 ソフトウェアアーキテクチャの更新について述べるとともに,その柔軟性を,いくつかのサンプルアプリケーションを通じて説明している。 2)GPUおよび実量子ハードウェアを用いたモデルの評価を行った。 (3) 生成モデルの一般化能力は, 生成データの新規性や妥当性など, 幅広い指標を用いて評価した。

関連論文リスト

• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• SQL2Circuits: Estimating Metrics for SQL Queries with a Quantum Natural Language Processing Method [1.5540058359482858]
  この研究は量子機械学習モデルを構築するために量子自然言語処理(QNLP)に着想を得たアプローチを採用する。 このモデルは、古典的および量子サブルーチンを含むエンコーディング機構とトレーニングフェーズで構成されている。 我々は,このモデルが二項分類タスクにおけるQNLPモデルと同等の精度に達することを結論付けた。
  論文  参考訳（メタデータ） (2023-06-14T14:23:19Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• A performance characterization of quantum generative models [35.974070202997176]
  量子生成モデリングに使用される量子回路を比較する。 2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。 確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
  論文  参考訳（メタデータ） (2023-01-23T11:00:29Z)
• 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)
• 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)
• Copula-based Risk Aggregation with Trapped Ion Quantum Computers [1.541403735141431]
  コプラは、合同確率分布をモデル化するための数学的ツールである。 コプラを最大絡み合った量子状態として表現できることの最近の発見は、実用的な量子優位性に対する有望なアプローチを明らかにしている。 シミュレータと最先端のイオン量子コンピュータ上での回路設計と精度の異なるQCBMのトレーニングについて検討する。
  論文  参考訳（メタデータ） (2022-06-23T18:39:30Z)
• Towards AutoQML: A Cloud-Based Automated Circuit Architecture Search Framework [0.0]
  自動量子機械学習(AutoQML)への第一歩を踏み出す 本稿では,この問題の具体的記述を提案し,その後,古典的量子ハイブリッドクラウドアーキテクチャを開発する。 応用例として、量子生成適応ニューラルネットワーク(qGAN)をトレーニングし、既知の歴史的なデータ分布に従うエネルギー価格を生成する。
  論文  参考訳（メタデータ） (2022-02-16T12:37:10Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Quantum Machine Learning with SQUID [64.53556573827525]
  分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。 本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
  論文  参考訳（メタデータ） (2021-04-30T21:34:11Z)

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。