論文の概要: Probabilistic Sampling of Balanced K-Means using Adiabatic Quantum
Computing
- arxiv url: http://arxiv.org/abs/2310.12153v1
- Date: Wed, 18 Oct 2023 17:59:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-19 15:28:45.243595
- Title: Probabilistic Sampling of Balanced K-Means using Adiabatic Quantum
Computing
- Title(参考訳): Adiabatic Quantum Computing を用いた平衡K平均の確率サンプリング
- Authors: Jan-Nico Zaech, Martin Danelljan, Luc Van Gool
- Abstract要約: AQC(Adiabatic quantum computing)は、NP-hard最適化問題に対する有望な量子コンピューティング手法である。
本研究では,この情報を確率的バランスの取れたk平均クラスタリングに活用する可能性について検討する。
最適でない解を捨てる代わりに, 計算コストを少なくして, 校正後部確率を計算することを提案する。
- 参考スコア(独自算出の注目度): 99.34965725525188
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adiabatic quantum computing (AQC) is a promising quantum computing approach
for discrete and often NP-hard optimization problems. Current AQCs allow to
implement problems of research interest, which has sparked the development of
quantum representations for many machine learning and computer vision tasks.
Despite requiring multiple measurements from the noisy AQC, current approaches
only utilize the best measurement, discarding information contained in the
remaining ones. In this work, we explore the potential of using this
information for probabilistic balanced k-means clustering. Instead of
discarding non-optimal solutions, we propose to use them to compute calibrated
posterior probabilities with little additional compute cost. This allows us to
identify ambiguous solutions and data points, which we demonstrate on a D-Wave
AQC on synthetic and real data.
- Abstract(参考訳): AQC(Adiabatic quantum computing)は、NP-hard最適化問題に対する有望な量子コンピューティング手法である。
現在のAQCは研究関心の問題の実装を可能にしており、多くの機械学習やコンピュータビジョンタスクのための量子表現の開発に拍車をかけた。
ノイズの多いAQCから複数の測定を必要とするが、現在のアプローチでは、最も良い測定しか利用せず、残りの測定値に含まれる情報を捨てている。
本研究では,この情報を用いた確率的平衡k平均クラスタリングの可能性を検討する。
最適でない解を捨てる代わりに, 計算コストを少なくして, 校正後部確率を計算することを提案する。
これにより、合成および実データ上でD-Wave AQCで示すような曖昧な解とデータポイントを特定できる。
関連論文リスト
- Information scrambling and entanglement in quantum approximate
optimization algorithm circuits [9.730534141168752]
変分量子アルゴリズムは、ノイズのある中間スケール量子(NISQ)時代に量子アドバンテージを示すことを約束している。
本稿では,QAOA回路における情報スクランブルと絡み合いについて検討し,より難しい問題に対して,より多くの量子資源が必要であることを明らかにする。
論文 参考訳(メタデータ) (2023-01-18T11:36:49Z) - 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) - Exponential advantage on noisy quantum computers [14.696562359310303]
NISQ-TDAは、任意の古典的データに対する指数的高速化を証明可能な量子機械学習アルゴリズムである。
我々は,このアルゴリズムが雑音に対して頑健であることを実証的に確認し,目標深度と雑音レベルを提供し,短期的,非フォールト耐性の量子的優位性を実現する。
論文 参考訳(メタデータ) (2022-09-19T22:45:00Z) - 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) - Squeezing and quantum approximate optimization [0.6562256987706128]
変分量子アルゴリズムは、デジタル量子コンピュータを用いた最適化問題の解法として興味深い可能性を提供する。
しかし、そのようなアルゴリズムにおける達成可能な性能と量子相関の役割は未だ不明である。
我々は、IBM量子チップと同様に、システマティックな手順で高度に圧縮された状態が生成されるかを数値的に示す。
論文 参考訳(メタデータ) (2022-05-20T18:00:06Z) - Adiabatic Quantum Computing for Multi Object Tracking [170.8716555363907]
マルチオブジェクト追跡(MOT)は、オブジェクト検出が時間を通して関連付けられているトラッキング・バイ・検出のパラダイムにおいて、最もよくアプローチされる。
これらの最適化問題はNPハードであるため、現在のハードウェア上の小さなインスタンスに対してのみ正確に解決できる。
本手法は,既成整数計画法を用いても,最先端の最適化手法と競合することを示す。
論文 参考訳(メタデータ) (2022-02-17T18:59:20Z) - A Hybrid Quantum-Classical Algorithm for Robust Fitting [47.42391857319388]
本稿では,ロバストフィッティングのためのハイブリッド量子古典アルゴリズムを提案する。
私たちのコアコントリビューションは、整数プログラムの列を解く、新しい堅牢な適合式である。
実際の量子コンピュータを用いて得られた結果について述べる。
論文 参考訳(メタデータ) (2022-01-25T05:59:24Z) - Q-Match: Iterative Shape Matching via Quantum Annealing [64.74942589569596]
形状対応を見つけることは、NP-hard quadratic assignment problem (QAP)として定式化できる。
本稿では,アルファ拡大アルゴリズムに触発されたQAPの反復量子法Q-Matchを提案する。
Q-Match は、実世界の問題にスケールできるような長文対応のサブセットにおいて、反復的に形状マッチング問題に適用できる。
論文 参考訳(メタデータ) (2021-05-06T17:59:38Z)
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。