論文の概要: Drastic Circuit Depth Reductions with Preserved Adversarial Robustness
by Approximate Encoding for Quantum Machine Learning
- arxiv url: http://arxiv.org/abs/2309.09424v1
- Date: Mon, 18 Sep 2023 01:49:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 15:30:56.469998
- Title: Drastic Circuit Depth Reductions with Preserved Adversarial Robustness
by Approximate Encoding for Quantum Machine Learning
- Title（参考訳）: 量子機械学習のための近似符号化による対向ロバスト性保存回路深さ低減
- Authors: Maxwell T. West, Azar C. Nakhl, Jamie Heredge, Floyd M. Creevey, Lloyd
C.L. Hollenberg, Martin Sevior, Muhammad Usman
- Abstract要約: 本研究では, 変分, 遺伝的および行列積状態に基づくアルゴリズムを用いて, 符号化画像データを表す量子状態の効率的な作成法を実装した。
その結果、これらの手法は、標準状態準備実装よりも2桁も浅い回路を用いて、QMLに適したレベルにほぼ準備できることが判明した。
- 参考スコア（独自算出の注目度）: 0.5181797490530444
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum machine learning (QML) is emerging as an application of quantum
computing with the potential to deliver quantum advantage, but its realisation
for practical applications remains impeded by challenges. Amongst those, a key
barrier is the computationally expensive task of encoding classical data into a
quantum state, which could erase any prospective speed-ups over classical
algorithms. In this work, we implement methods for the efficient preparation of
quantum states representing encoded image data using variational, genetic and
matrix product state based algorithms. Our results show that these methods can
approximately prepare states to a level suitable for QML using circuits two
orders of magnitude shallower than a standard state preparation implementation,
obtaining drastic savings in circuit depth and gate count without unduly
sacrificing classification accuracy. Additionally, the QML models trained and
evaluated on approximately encoded data display an increased robustness to
adversarially generated input data perturbations. This partial alleviation of
adversarial vulnerability, possible due to the "drowning out" of adversarial
perturbations while retaining the meaningful large-scale features of the data,
constitutes a considerable benefit for approximate state preparation in
addition to lessening the requirements of the quantum hardware. Our results,
based on simulations and experiments on IBM quantum devices, highlight a
promising pathway for the future implementation of accurate and robust QML
models on complex datasets relevant for practical applications, bringing the
possibility of NISQ-era QML advantage closer to reality.
- Abstract（参考訳）: 量子機械学習(quantum machine learning, qml)は、量子コンピューティングの応用として登場し、量子の優位性をもたらす可能性があるが、実用的応用に対するその実現は課題によって妨げられている。
中でも重要な障壁は、古典的なデータを量子状態に符号化する計算コストのかかるタスクであり、古典的なアルゴリズムに対する予測的なスピードアップを消すことができる。
本研究では, 変分, 遺伝的および行列積状態に基づくアルゴリズムを用いて, 符号化画像データを表す量子状態の効率的な生成法を提案する。
その結果,本手法は,標準状態準備方式よりも2桁浅く,精度を犠牲にすることなく回路深度とゲート数を大幅に節約できる回路を用いて,qmlに適したレベルに準じることができた。
さらに、ほぼ符号化されたデータに基づいてトレーニングおよび評価されたQMLモデルは、逆向きに生成された入力データの摂動に対するロバスト性を高める。
この敵対的脆弱性の部分的緩和は、データの有意義な大規模特徴を保ちながら、敵対的摂動の「drrowning out」によって可能であり、量子ハードウェアの要件を減少させるだけでなく、近似状態の準備にかなりの利益をもたらす。
我々は,IBM量子デバイス上でのシミュレーションと実験に基づいて,実用アプリケーションに関連する複雑なデータセット上での高精度で堅牢なQMLモデルを将来実装する上で,将来的な経路を明らかにする。
関連論文リスト
- Towards Scalable Quantum Key Distribution: A Machine Learning-Based Cascade Protocol Approach [2.363573186878154]
量子鍵分配(Quantum Key Distribution, QKD)はセキュア通信のための重要な技術である。
複雑な数学的モデルに依存する伝統的な鍵レート決定法は、しばしば効率と拡張性に欠ける。
本稿では,機械学習(ML)技術をカスケード誤り訂正プロトコルに統合する手法を提案する。
論文 参考訳（メタデータ） (2024-09-12T13:40:08Z) - 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) - Classification of the Fashion-MNIST Dataset on a Quantum Computer [0.0]
古典的なデータを量子コンピュータに符号化する従来の方法は、コストがかかりすぎて、現在のハードウェアで実現可能な実験の規模が制限される。
現在利用可能な量子コンピュータのネイティブゲートセットとトポロジに適合する回路を用いて、符号化されたデータを作成する改良された変分アルゴリズムを提案する。
我々は、現在の量子コンピュータibmq-kolkata上で、符号化データセットに基づいて訓練された単純な量子変分分類器をデプロイし、適度な精度を達成する。
論文 参考訳（メタデータ） (2024-03-04T19:01:14Z) - Quantum Machine Learning on Near-Term Quantum Devices: Current State of Supervised and Unsupervised Techniques for Real-World Applications [1.7041248235270652]
この調査は、量子ハードウェア上で実行される教師なしおよび教師なしの学習アプリケーションに焦点を当てる。
エンコーディング、アンサッツ構造、エラー軽減、これらの課題に対処するための勾配法といったテクニックをカバーしている。
論文 参考訳（メタデータ） (2023-07-03T10:12:34Z) - 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) - Deep Quantum Error Correction [73.54643419792453]
量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。
本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。
提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
論文 参考訳（メタデータ） (2023-01-27T08:16:26Z) - Resource frugal optimizer for quantum machine learning [0.7046417074932257]
量子機械学習(Quantum Machine Learning、QML)は、量子コンピュータの応用分野として注目されている。
変分QMLアルゴリズムは、特に量子データを含む場合、実際のハードウェアにおける実用的な問題を解く可能性がある。
我々は、損失関数を定義する測度演算子と同様に、両方のデータセットに対して同時ランダムサンプリングを提唱する。
論文 参考訳（メタデータ） (2022-11-09T15:29:03Z) - 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) - QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。
短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文 参考訳（メタデータ） (2022-07-14T12:22:51Z) - Concentration of Data Encoding in Parameterized Quantum Circuits [7.534037755267707]
変分量子アルゴリズムは、有意義なタスクにおいて、短期的な量子アドバンテージを実現するための主要な戦略として認識されている。
本稿では、パラメータ化量子回路に基づく共通データ符号化戦略を考察し、進展する。
妥当な仮定の下では、平均符号化状態と最大混合状態の間の距離が明らかに上界であることが証明できる。
論文 参考訳（メタデータ） (2022-06-16T16:09:40Z) - Error mitigation and quantum-assisted simulation in the error corrected
regime [77.34726150561087]
量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。
量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
論文 参考訳（メタデータ） (2021-03-12T20:58:41Z)
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。