論文の概要: QUILT: Effective Multi-Class Classification on Quantum Computers Using
an Ensemble of Diverse Quantum Classifiers
- arxiv url: http://arxiv.org/abs/2309.15056v1
- Date: Tue, 26 Sep 2023 16:36:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-27 12:54:27.575128
- Title: QUILT: Effective Multi-Class Classification on Quantum Computers Using
an Ensemble of Diverse Quantum Classifiers
- Title(参考訳): QUILT: 分散量子分類器を用いた量子コンピュータ上での効果的なマルチクラス分類
- Authors: Daniel Silver, Tirthak Patel, Devesh Tiwari
- Abstract要約: Quiltは、エラーを起こしやすい量子コンピュータ上で、マルチクラス分類タスクを実行するためのフレームワークである。
5ビットシステムのMNISTデータセットで最大85%のマルチクラス分類精度を示す。
- 参考スコア(独自算出の注目度): 11.536317744969514
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum computers can theoretically have significant acceleration over
classical computers; but, the near-future era of quantum computing is limited
due to small number of qubits that are also error prone. Quilt is a framework
for performing multi-class classification task designed to work effectively on
current error-prone quantum computers. Quilt is evaluated with real quantum
machines as well as with projected noise levels as quantum machines become more
noise-free. Quilt demonstrates up to 85% multi-class classification accuracy
with the MNIST dataset on a five-qubit system.
- Abstract(参考訳): 量子コンピュータは理論上、古典的コンピュータよりも大幅に加速することができるが、量子コンピューティングの近未来時代は、エラーを起こしやすい少数の量子ビットのために限られている。
Quiltは、現在のエラー発生型量子コンピュータで効果的に動作するように設計されたマルチクラス分類タスクを実行するためのフレームワークである。
量子マシンはよりノイズのないものになるにつれて、実際の量子マシンと予測されたノイズレベルで評価される。
Quiltは5ビットシステム上のMNISTデータセットで最大85%のマルチクラス分類精度を示す。
関連論文リスト
- Supervised binary classification of small-scale digits images with a trapped-ion quantum processor [56.089799129458875]
量子プロセッサは、考慮された基本的な分類タスクを正しく解くことができることを示す。
量子プロセッサの能力が向上するにつれ、機械学習の有用なツールになり得る。
論文 参考訳(メタデータ) (2024-06-17T18:20:51Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳(メタデータ) (2024-02-23T14:09:41Z) - 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) - Hybrid quantum transfer learning for crack image classification on NISQ
hardware [62.997667081978825]
グレー値画像のひび割れ検出に量子転送学習を適用した。
我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
論文 参考訳(メタデータ) (2023-07-31T14:45:29Z) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳(メタデータ) (2023-01-04T23:37:45Z) - Improving Quantum Classifier Performance in NISQ Computers by Voting
Strategy from Ensemble Learning [9.257859576573942]
量子アルゴリズムでは、量子デコヒーレンスと量子ゲートのインプレクションによって大きな誤差率が発生する。
本研究では,アンサンブル量子分類器を複数投票で最適化することを提案する。
論文 参考訳(メタデータ) (2022-10-04T14:59:58Z) - 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) - Towards Feature Selection for Ranking and Classification Exploiting
Quantum Annealers [14.519254230787993]
本稿では,現在利用可能な量子コンピューティングアーキテクチャを用いて,ランク付けと分類の両面での2次特徴選択アルゴリズムの実現可能性について検討する。
量子コンピューティングハードウェアで得られる有効性は古典的な解法に匹敵するものであり、量子コンピュータは興味深い問題に取り組むのに十分な信頼性を持っていることを示している。
論文 参考訳(メタデータ) (2022-05-09T14:46:38Z) - Quantum Proof of Work with Parametrized Quantum Circuits [0.0]
少数個のノイズ量子ビットを持つ量子コンピュータには、いまだに実用的な応用例が数多く存在する。
我々は、量子コンピュータ互換の作業証明法(Bitcoinマイニングで使用される暗号機構)を提案し、それを4量子ビット超伝導量子ノード上で検証した。
論文 参考訳(メタデータ) (2022-04-22T11:26:16Z) - Trainable Discrete Feature Embeddings for Variational Quantum Classifier [4.40450723619303]
我々は、QRAC(Quantum Random Access Coding)を用いて、より少ない量子ビットで離散的な特徴をマップする方法を示す。
QRACと最近提案された量子量学習(quantum metric learning)と呼ばれる量子特徴マップのトレーニング戦略を組み合わせることで、個別の特徴をトレーニング可能な量子回路に埋め込む新しい手法を提案する。
論文 参考訳(メタデータ) (2021-06-17T12:02:01Z) - Quantum One-class Classification With a Distance-based Classifier [1.316309856358873]
現在の量子ハードウェアの既存のエラーと利用可能な量子ビットの数が少ないため、より少ない量子ビットと少ない演算を使用するソリューションを使う必要がある。
我々は、最小限の量子機械学習モデルと少ない演算と量子ビットからなる量子一級量子コンピュータ(QOCC)に基づく新しい分類器を提案する。
論文 参考訳(メタデータ) (2020-07-31T17:53:00Z)
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。