論文の概要: Exploiting the Quantum Advantage for Satellite Image Processing: Quantum Resource Estimation

• arxiv url: http://arxiv.org/abs/2308.09453v1
• Date: Fri, 18 Aug 2023 10:34:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 13:38:26.678216
• Title: Exploiting the Quantum Advantage for Satellite Image Processing: Quantum Resource Estimation
• Title（参考訳）: 衛星画像処理における量子アドバンテージの爆発:量子資源推定
• Authors: Soronzonbold Otgonbaatar, Dieter Kranzlm\"uller
• Abstract要約: 我々は、地球観測と衛星画像のための量子コンピューティング技術の現状を概観する。 我々は、量子優位性から利益を得るための課題を特定し、高性能コンピューティングと量子コンピューティングの最適な共有を見つける。
• 参考スコア（独自算出の注目度）: 1.3597551064547502
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We first review the current state of the art of quantum computing for Earth observation and satellite images. There are the persisting challenges of profiting from quantum advantage, and finding the optimal sharing between high-performance computing (HPC) and quantum computing (QC), i.e. the HPC+QC paradigm, for computational EO problems and Artificial Intelligence (AI) approaches. Secondly, we assess some quantum models transpiled into a Clifford+T universal gate set, where the Clifford+T quantum gate set sheds light on the quantum resources required for deploying quantum models either on an HPC system or several QCs. If the Clifford+T quantum gate set cannot be simulated efficiently on an HPC system then we can apply a quantum computer and its computational power over conventional computers. Our resulting quantum resource estimation demonstrates that Quantum Machine Learning (QML) models, which do not comprise a large number of T-gates, can be deployed on an HPC system during the training and validation process; otherwise, we can execute them on several QCs. Namely, QML models having a sufficient number of T-gates provide the quantum advantage if and only if they generalize on unseen data points better than their classical counterparts deployed on the HPC system, and they break the symmetry in their weights at each learning iteration like in conventional deep neural networks. As an initial innovation, we estimate the quantum resources required for some QML models. Secondly, we define the optimal sharing between an HPC+QC system for executing QML models for hyperspectral images (HSIs); HSIs are a specific dataset compared to multispectral images to be deployed on quantum computers due to the limited number of their input qubits, and the commonly used small number of labeled benchmark HSIs.
• Abstract（参考訳）: まず,地球観測と衛星画像の量子コンピューティング技術の現状について概観する。 量子優位性から利益を得るための継続的な課題、高性能コンピューティング(HPC)と量子コンピューティング(QC)の最適な共有を見つけること、すなわち計算EO問題と人工知能(AI)アプローチに対するHPC+QCパラダイムがある。 次に、Clifford+Tの普遍ゲートセットに変換された量子モデルを評価し、Clifford+Tの量子ゲートセットは、HPCシステムまたは複数のQC上に量子モデルをデプロイするために必要な量子リソースに光を当てる。 クリフォード+T量子ゲート集合がHPCシステム上で効率的にシミュレートできない場合、従来のコンピュータに量子コンピュータとその計算能力を適用することができる。 得られた量子リソース推定は、多数のTゲートで構成されていない量子機械学習(QML)モデルが、トレーニングおよび検証プロセス中にHPCシステムにデプロイ可能であることを示し、そうでなければ、複数のQC上でそれらを実行することができる。 すなわち、十分な数のTゲートを持つQMLモデルが、従来のHPCシステムにデプロイされた従来のデータポイントよりもよく見えないデータポイントを一般化し、従来のディープニューラルネットワークのように学習イテレーション毎の重みの対称性を破っている場合に限り、量子的優位性を提供する。 最初の革新として、いくつかのQMLモデルに必要な量子リソースを推定する。 第2に,超スペクトル画像のためのqmlモデル(hsis)を実行するためのhpc+qcシステム間の最適な共有を定義する。hsisは,入力量子ビット数が限られているため,量子コンピュータにデプロイされるマルチスペクトル画像と比較して,特定のデータセットである。

関連論文リスト

• 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)
• Quantum State Tomography using Quantum Machine Learning [0.0]
  量子状態トモグラフィ(QST)の効率を高めるために,量子機械学習(QML)技術の統合を提案する。 以上の結果から,QMLに基づくQST手法は従来手法に比べて測定精度が著しく低い高忠実度(98%)を実現可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-08-20T17:51:24Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• Delegated variational quantum algorithms based on quantum homomorphic encryption [69.50567607858659]
  変分量子アルゴリズム(VQA)は、量子デバイス上で量子アドバンテージを達成するための最も有望な候補の1つである。 クライアントのプライベートデータは、そのような量子クラウドモデルで量子サーバにリークされる可能性がある。 量子サーバが暗号化データを計算するための新しい量子ホモモルフィック暗号(QHE)スキームが構築されている。
  論文  参考訳（メタデータ） (2023-01-25T07:00:13Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Optimal Stochastic Resource Allocation for Distributed Quantum Computing [50.809738453571015]
  本稿では,分散量子コンピューティング(DQC)のためのリソース割り当て方式を提案する。 本評価は,提案手法の有効性と,量子コンピュータとオンデマンド量子コンピュータの両立性を示すものである。
  論文  参考訳（メタデータ） (2022-09-16T02:37:32Z)
• Scalable Quantum Neural Networks for Classification [11.839990651381617]
  本稿では,複数の小型量子デバイスの量子資源を協調的に利用することにより,スケーラブルな量子ニューラルネットワーク(SQNN)を実現する手法を提案する。 SQNNシステムでは、いくつかの量子デバイスが量子特徴抽出器として使われ、入力インスタンスから並列に局所的な特徴を抽出し、量子デバイスは量子予測器として機能する。
  論文  参考訳（メタデータ） (2022-08-04T20:35:03Z)
• Quantum Machine Learning for Software Supply Chain Attacks: How Far Can We Go? [5.655023007686363]
  本稿では、量子機械学習(QML)と呼ばれる機械学習アルゴリズムに適用されたQCの高速化性能について分析する。 実際の量子コンピュータの限界により、QML法はQiskitやIBM Quantumといったオープンソースの量子シミュレータ上で実装された。 興味深いことに、実験結果は、SSC攻撃の古典的アプローチと比較して計算時間と精度の低下を示すことによって、QCの約束を早めることと異なる。
  論文  参考訳（メタデータ） (2022-04-04T21:16:06Z)
• Quantum Neuron with Separable-State Encoding [0.0]
  現在利用可能な量子プロセッサにおいて、高度な量子ニューロンモデルを大規模にテストすることは、まだ不可能である。 マルチキュービットゲート数を削減した量子パーセプトロン(QP)モデルを提案する。 シミュレーション量子コンピュータにおいて,QPの量子ビットバージョンをいくつか実装することにより,提案モデルの性能を実証する。
  論文  参考訳（メタデータ） (2022-02-16T19:26:23Z)
• 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)

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。