論文の概要: Potential and limitations of random Fourier features for dequantizing quantum machine learning

• arxiv url: http://arxiv.org/abs/2309.11647v3
• Date: Wed, 12 Feb 2025 08:14:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:46:37.716774
• Title: Potential and limitations of random Fourier features for dequantizing quantum machine learning
• Title（参考訳）: 量子機械学習におけるランダムフーリエ機能の可能性と限界
• Authors: Ryan Sweke, Erik Recio-Armengol, Sofiene Jerbi, Elies Gil-Fuster, Bryce Fuller, Jens Eisert, Johannes Jakob Meyer,
• Abstract要約: 量子機械学習は、おそらく、短期量子デバイスの最もよく研究された応用の1つである。 パラメータ化量子回路(PQC)を学習モデルとして使用する変分量子機械学習の概念に多くの焦点が当てられている。 そこで本研究では,RFFがレグレッションのための変分量子機械学習の効率的な復号化を実現する上で必要かつ十分な条件を確立する。
• 参考スコア（独自算出の注目度）: 0.5025737475817937
• License:
• Abstract: Quantum machine learning is arguably one of the most explored applications of near-term quantum devices. Much focus has been put on notions of variational quantum machine learning where parameterized quantum circuits (PQCs) are used as learning models. These PQC models have a rich structure which suggests that they might be amenable to efficient dequantization via random Fourier features (RFF). In this work, we establish necessary and sufficient conditions under which RFF does indeed provide an efficient dequantization of variational quantum machine learning for regression. We build on these insights to make concrete suggestions for PQC architecture design, and to identify structures which are necessary for a regression problem to admit a potential quantum advantage via PQC based optimization.
• Abstract（参考訳）: 量子機械学習は、おそらく、短期量子デバイスの最もよく研究された応用の1つである。 パラメータ化量子回路(PQC)を学習モデルとして使用する変分量子機械学習の概念に多くの焦点が当てられている。 これらのPQCモデルはリッチな構造を持ち、ランダムフーリエ特徴 (RFF) を通した効率的な量子化が可能かもしれないことを示唆している。 そこで本研究では,RFFがレグレッションのための変分量子機械学習の効率的な復号化を実現する上で必要かつ十分な条件を確立する。 我々はこれらの知見に基づいて、PQCアーキテクチャ設計のための具体的な提案を行い、PQCベースの最適化を通じて潜在的な量子優位性を認めるためにレグレッション問題に必要な構造を特定する。

関連論文リスト

• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Quafu-RL: The Cloud Quantum Computers based Quantum Reinforcement Learning [0.0]
  本研究は,BAQIS Quafu量子コンピューティングクラウド上で,少なくとも136量子ビットを備えた実デバイス上で,ベンチマーク量子強化問題を実行するための第一歩である。 実験の結果,Reinforcement Learning (RL) エージェントはトレーニング段階と推論段階の両方でわずかに緩和された目標を達成することができることがわかった。
  論文  参考訳（メタデータ） (2023-05-29T09:13:50Z)
• QNEAT: Natural Evolution of Variational Quantum Circuit Architecture [95.29334926638462]
  我々は、ニューラルネットワークの量子対する最も有望な候補として登場した変分量子回路(VQC)に注目した。 有望な結果を示す一方で、バレン高原、重みの周期性、アーキテクチャの選択など、さまざまな問題のために、VQCのトレーニングは困難である。 本稿では,VQCの重みとアーキテクチャの両方を最適化するために,自然進化にインスパイアされた勾配のないアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-14T08:03:20Z)
• Explainable Quantum Machine Learning [0.7046417074932257]
  人工知能(AI)や特に機械学習(ML)の手法は、これまで以上に複雑になってきている。 並行して、量子機械学習(QML)が登場し、量子コンピューティングハードウェアの改善が進行中である。
  論文  参考訳（メタデータ） (2023-01-22T15:17:12Z)
• Learning capability of parametrized quantum circuits [2.51657752676152]
  変分量子アルゴリズム(VQA)とそのパラメタライズド量子回路(PQC)による量子機械学習分野への応用は、ノイズの多い中間スケール量子コンピューティングデバイスを活用する主要な方法の1つであると考えられている。 本稿では、Schuldらによる研究に基づいて、学習能力の新たな尺度を用いて、PQCの一般的なアンス・アゼと比較する。 また,Beerらが導入した分散量子ニューラルネットワーク(dQNN)についても検討し,その学習能力を高めるために,dQNNのデータ再アップロード構造を提案する。
  論文  参考訳（メタデータ） (2022-09-21T13:26:20Z)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• qLEET: Visualizing Loss Landscapes, Expressibility, Entangling Power and Training Trajectories for Parameterized Quantum Circuits [0.0]
  qLEETは、パラメータ化量子回路(PQC)を研究するためのオープンソースのPythonパッケージである。 PQCの表現可能性や絡み合う力などの特性の計算を可能にする。 Qiskit、Cirq、Pyquilといった一般的な量子コンピューティングライブラリを使って構築された量子回路とノイズモデルをサポートする。
  論文  参考訳（メタデータ） (2022-05-04T14:47:23Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• 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)
• 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)
• Differentiable Quantum Architecture Search [15.045985536395479]
  微分可能量子アーキテクチャ探索(DQAS)の一般的なフレームワークを提案する。 DQASは、エンドツーエンドの微分可能な方法で量子回路の自動設計を可能にする。
  論文  参考訳（メタデータ） (2020-10-16T18:00:03Z)

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。