論文の概要: Certainty In, Certainty Out: REVQCs for Quantum Machine Learning
- arxiv url: http://arxiv.org/abs/2310.10629v1
- Date: Mon, 16 Oct 2023 17:53:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 12:29:22.812658
- Title: Certainty In, Certainty Out: REVQCs for Quantum Machine Learning
- Title（参考訳）: Certainty In, Certainty Out: 量子機械学習のためのREVQC
- Authors: Hannah Helgesen, Michael Felsberg, Jan-{\AA}ke Larsson
- Abstract要約: 高精度かつ高精度なサンプル推測が可能な統計理論について論じる。
本稿では,このトレーニング手法の有効性を,いくつかの有効な変分量子回路を用いて評価する。
- 参考スコア（独自算出の注目度）: 15.908051575681458
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The field of Quantum Machine Learning (QML) has emerged recently in the hopes
of finding new machine learning protocols or exponential speedups for classical
ones. Apart from problems with vanishing gradients and efficient encoding
methods, these speedups are hard to find because the sampling nature of quantum
computers promotes either simulating computations classically or running them
many times on quantum computers in order to use approximate expectation values
in gradient calculations. In this paper, we make a case for setting high
single-sample accuracy as a primary goal. We discuss the statistical theory
which enables highly accurate and precise sample inference, and propose a
method of reversed training towards this end. We show the effectiveness of this
training method by assessing several effective variational quantum circuits
(VQCs), trained in both the standard and reversed directions, on random binary
subsets of the MNIST and MNIST Fashion datasets, on which our method provides
an increase of $10-15\%$ in single-sample inference accuracy.
- Abstract（参考訳）: 量子機械学習(QML)の分野は、最近、新しい機械学習プロトコルや古典的な機械学習の指数的なスピードアップを見つけるために現れた。
量子コンピュータのサンプリング特性は、勾配計算における近似期待値を使用するために、古典的な計算をシミュレートするか、あるいは量子コンピュータ上で何度も実行するかのどちらかを促進するため、これらの高速化は見つからない。
本稿では,1つのサンプル精度を第一目標として設定する。
本稿では,高精度かつ高精度なサンプル推論を可能にする統計理論を考察し,この目的に向けて逆トレーニング手法を提案する。
本手法は,mnist と mnist のファッションデータセットのランダムな二分部分集合に対して,標準方向と逆方向の両方で訓練された複数の有効な変分量子回路(vqcs)を評価することにより,本手法の有効性を示す。
関連論文リスト
- NN-AE-VQE: Neural network parameter prediction on autoencoded variational quantum eigensolvers [1.7400502482492273]
近年、量子コンピューティングの分野は大幅に成熟している。
NN-AE-VQEというニューラルネットワークを用いた自動符号化VQEを提案する。
我々はこれらの手法を、化学的精度を達成するために、$H$分子上で実証する。
論文 参考訳（メタデータ） (2024-11-23T23:09:22Z) - Scalable quantum dynamics compilation via quantum machine learning [7.31922231703204]
変分量子コンパイル(VQC)法は、高精度を維持しつつゲートコストを低減するために変分最適化を用いる。
1次元におけるシステムサイズと精度の両面で、我々のアプローチが最先端のコンパイル結果を上回ることが示されている(1$D)。
VQCを2次元(2次元)ストリップに準1次元処理で拡張し、標準的なトロッタライズ法よりも大きな資源優位性を示す。
論文 参考訳（メタデータ） (2024-09-24T18:00:00Z) - 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) - Disentangling Quantum Classifiers: Simplex Edge Mapping for Few-Sample Confidence [14.154332784970785]
回路出力をn次元の単純集合のエッジとして扱い、各クラス間の独立な決定を表現する多クラスバイナリ分類手法を提案する。
本研究では,本手法が有線出力をアンタングし,不確実な出力を避けるためにVQCを説得することにより,少ないサンプル精度を2倍に向上することを示す。
論文 参考訳（メタデータ） (2024-06-07T13:57:22Z) - Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳（メタデータ） (2024-02-26T09:32:07Z) - Weight Re-Mapping for Variational Quantum Algorithms [54.854986762287126]
変動量子回路(VQC)における重み付けの考え方を紹介する。
我々は,8つの分類データセットに対する影響を評価するために,7つの異なる重み再マッピング関数を用いる。
以上の結果から,重量再マッピングによりVQCの収束速度が向上することが示唆された。
論文 参考訳（メタデータ） (2023-06-09T09:42:21Z) - 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) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳（メタデータ） (2022-12-12T15:06:32Z) - 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) - Learning temporal data with variational quantum recurrent neural network [0.5658123802733283]
パラメタライズド量子回路を用いて時間データを学習する手法を提案する。
この研究は、時間データの学習に複雑な量子力学を利用する方法を提供する。
論文 参考訳（メタデータ） (2020-12-21T10:47:28Z)
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。