論文の概要: A Hyperparameter Study for Quantum Kernel Methods
- arxiv url: http://arxiv.org/abs/2310.11891v2
- Date: Wed, 6 Dec 2023 16:51:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-07 18:17:14.240017
- Title: A Hyperparameter Study for Quantum Kernel Methods
- Title(参考訳): 量子カーネル法のハイパーパラメーターによる研究
- Authors: Sebastian Egginger, Alona Sakhnenko, Jeanette Miriam Lorenz
- Abstract要約: 量子カーネル法は、量子機械学習において、それらに接続された保証のおかげで有望な方法である。
分析的考察に対するそれらのアクセシビリティは、量子的優位性の可能性に基づいてデータセットを事前スクリーニングする可能性も開ける。
初期の研究は幾何学的差異を開発しており、これは2つのカーネルベースの機械学習アプローチの尺度として理解することができる。
この計量は、量子と古典的なモデルの複雑さを結びつける。
このことは、モデル複雑性との関係に基づく幾何学的差が、量子優位性の可能性以外の評価において有用なツールであるかどうかという問題を提起する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum kernel methods are a promising method in quantum machine learning
thanks to the guarantees connected to them. Their accessibility for analytic
considerations also opens up the possibility of prescreening datasets based on
their potential for a quantum advantage. To do so, earlier works developed the
geometric difference, which can be understood as a closeness measure between
two kernel-based machine learning approaches, most importantly between a
quantum kernel and classical kernel. This metric links the quantum and
classical model complexities. Therefore, it raises the question of whether the
geometric difference, based on its relation to model complexity, can be a
useful tool in evaluations other than for the potential for quantum advantage.
In this work, we investigate the effects of hyperparameter choice on the model
performance and the generalization gap between classical and quantum kernels.
The importance of hyperparameter optimization is well known also for classical
machine learning. Especially for the quantum Hamiltonian evolution feature map,
the scaling of the input data has been shown to be crucial. However, there are
additional parameters left to be optimized, like the best number of qubits to
trace out before computing a projected quantum kernel. We investigate the
influence of these hyperparameters and compare the classically reliable method
of cross validation with the method of choosing based on the geometric
difference. Based on the thorough investigation of the hyperparameters across
11 datasets we identified commodities that can be exploited when examining a
new dataset. In addition, our findings contribute to better understanding of
the applicability of the geometric difference.
- Abstract(参考訳): 量子カーネルメソッドは、それらに接続された保証のおかげで、量子機械学習において有望な方法である。
分析的考察に対するそれらのアクセシビリティは、量子的優位性の可能性に基づいてデータセットを事前スクリーニングする可能性も開ける。
そのため、初期の研究は、量子カーネルと古典的カーネルの間の2つのカーネルベースの機械学習アプローチの密接度尺度として理解できる幾何学的差異を開発した。
この計量は量子と古典的なモデルの複雑さを結びつける。
したがって、モデル複雑性との関係に基づく幾何学的差が、量子優位のポテンシャル以外の評価において有用なツールであるかどうかという疑問を提起する。
本研究では,ハイパーパラメータ選択がモデル性能および古典カーネルと量子カーネル間の一般化ギャップに与える影響について検討する。
ハイパーパラメータ最適化の重要性は、古典的な機械学習でもよく知られている。
特に量子ハミルトニアン進化の特徴マップでは、入力データのスケーリングが重要であることが示されている。
しかし、最適化すべきパラメータは、投影された量子カーネルを計算する前にトレースする最善の量子ビット数のように、残されている。
これらのハイパーパラメータの影響を調査し,古典的信頼性の高いクロス検証法と幾何学的差異に基づく選択法を比較した。
11のデータセットにわたるハイパーパラメータの徹底的な調査に基づいて、新しいデータセットを調べる際に活用できる商品を特定しました。
さらに,この知見は,幾何学的差異の適用可能性の理解を深める一助となる。
関連論文リスト
- Neural auto-designer for enhanced quantum kernels [59.616404192966016]
本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。
私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
論文 参考訳(メタデータ) (2024-01-20T03:11:59Z) - Quantum-Classical Multiple Kernel Learning [0.0]
機械学習におけるカーネルメソッドは、将来的にそのような改善を実現することができる分野のひとつだ。
小さくてノイズの多い量子コンピュータは、データの類似性のユニークな概念を捉える古典的なパラメトリック量子カーネルを評価することができる。
我々は、MKL(Multiple kernel)の文脈において、古典、量子量子、量子古典およびQCカーネルのペアワイズ組み合わせを考える。
本手法は,MKL設定における各種測定値の性能向上に有効であることを示す。
論文 参考訳(メタデータ) (2023-05-28T12:29:04Z) - Variational waveguide QED simulators [58.720142291102135]
導波管QEDシミュレータは1次元フォトニックバンドギャップ材料と相互作用する量子エミッタによって構成される。
ここでは、これらの相互作用がより効率的な変分量子アルゴリズムを開発するためのリソースとなることを実証する。
論文 参考訳(メタデータ) (2023-02-03T18:55:08Z) - The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for
Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。
鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。
我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文 参考訳(メタデータ) (2022-12-22T16:06:24Z) - Automatic and effective discovery of quantum kernels [43.702574335089736]
量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。
本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,異なるアプローチを提案する。
その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
論文 参考訳(メタデータ) (2022-09-22T16:42:14Z) - Anticipative measurements in hybrid quantum-classical computation [68.8204255655161]
量子計算を古典的な結果によって補う手法を提案する。
予測の利点を生かして、新しいタイプの量子測度がもたらされる。
予測量子測定では、古典計算と量子計算の結果の組み合わせは最後にのみ起こる。
論文 参考訳(メタデータ) (2022-09-12T15:47:44Z) - The role of entanglement for enhancing the efficiency of quantum kernels
towards classification [0.9990687944474739]
我々は、線形および完全絡み合った回路に基づく新しい量子カーネルを用いて、テキストデータの感情を分析する。
また,線形および完全絡み合いを用いることにより,量子支援ベクトルマシンの表現性をさらに制御できることが判明した。
提案した完全絡み合い回路は,古典的アルゴリズムの他,完全あるいは線形絡み合い回路よりも優れた性能を示すことを示す。
論文 参考訳(メタデータ) (2022-09-12T10:50:48Z) - Hyperparameter Importance of Quantum Neural Networks Across Small
Datasets [1.1470070927586014]
量子ニューラルネットワークは、ニューラルネットワークと同じような役割を果たす。
機械学習に適した回路アーキテクチャについてはほとんど知られていない。
本研究は量子機械学習モデルを研究するための新しい手法を紹介する。
論文 参考訳(メタデータ) (2022-06-20T20:26:20Z) - Quantum tangent kernel [0.8921166277011345]
本研究では,パラメータ化量子回路を用いた量子機械学習モデルについて検討する。
深層量子回路のパラメータは、トレーニング中に初期値からあまり移動しないことがわかった。
このような深い変動量子機械学習は、別の創発的カーネルである量子タンジェントカーネルによって記述することができる。
論文 参考訳(メタデータ) (2021-11-04T15:38:52Z) - Quantum probes for the characterization of nonlinear media [50.591267188664666]
本研究では, 非線形結合 $tildelambda$ および非線形性次数 $zeta$ の個人および共同推定をいかに改善するかを検討する。
量子プローブは非線形媒体のキャラクタリゼーションの精度を高めるための資源であり、現在の技術による潜在的な応用を予見する。
論文 参考訳(メタデータ) (2021-09-16T15:40:36Z) - Quantum-optimal-control-inspired ansatz for variational quantum
algorithms [105.54048699217668]
変分量子アルゴリズム (VQA) の中心成分は状態準備回路(英語版)であり、アンザッツ(英語版)または変分形式(英語版)とも呼ばれる。
ここでは、対称性を破るユニタリを組み込んだ「解」を導入することで、このアプローチが必ずしも有利であるとは限らないことを示す。
この研究は、より一般的な対称性を破るアンスの開発に向けた第一歩となり、物理学や化学問題への応用に繋がる。
論文 参考訳(メタデータ) (2020-08-03T18:00:05Z)
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。