論文の概要: Quantum-Assisted Simulation: A Framework for Designing Machine Learning
Models in the Quantum Computing Domain
- arxiv url: http://arxiv.org/abs/2311.10363v1
- Date: Fri, 17 Nov 2023 07:33:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-21 17:30:00.901394
- Title: Quantum-Assisted Simulation: A Framework for Designing Machine Learning
Models in the Quantum Computing Domain
- Title（参考訳）: 量子支援シミュレーション:量子コンピューティング領域における機械学習モデル設計のためのフレームワーク
- Authors: Minati Rath, Hema Date
- Abstract要約: 量子コンピューティングの歴史を探求し、既存のQMLアルゴリズムを検証し、QMLアルゴリズムのシミュレーションを作成するための簡易な手順を提案する。
機械学習と量子機械学習の両方を用いて,データセット上でシミュレーションを行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Machine learning (ML) models are trained using historical data to classify
new, unseen data. However, traditional computing resources often struggle to
handle the immense amount of data, commonly known as Big Data, within a
reasonable timeframe. Quantum computing (QC) provides a novel approach to
information processing. Quantum algorithms have the potential to process
classical data exponentially faster than classical computing. By mapping
quantum machine learning (QML) algorithms into the quantum mechanical domain,
we can potentially achieve exponential improvements in data processing speed,
reduced resource requirements, and enhanced accuracy and efficiency. In this
article, we delve into both the QC and ML fields, exploring the interplay of
ideas between them, as well as the current capabilities and limitations of
hardware. We investigate the history of quantum computing, examine existing QML
algorithms, and aim to present a simplified procedure for setting up
simulations of QML algorithms, making it accessible and understandable for
readers. Furthermore, we conducted simulations on a dataset using both machine
learning and quantum machine learning approaches. We then proceeded to compare
their respective performances by utilizing a quantum simulator.
- Abstract（参考訳）: 機械学習(ML)モデルは、履歴データを使用してトレーニングされ、新しい、目に見えないデータを分類する。
しかしながら、従来のコンピューティングリソースは、妥当な時間枠内で、ビッグデータとして知られる膨大な量のデータを扱うのに苦労することが多い。
量子コンピューティング(QC)は情報処理に対する新しいアプローチを提供する。
量子アルゴリズムは古典計算よりも指数関数的に高速に古典データを処理することができる。
量子機械学習(QML)アルゴリズムを量子力学領域にマッピングすることにより、データ処理速度、リソース要求の削減、精度と効率の向上を指数関数的に向上させることができる。
この記事では、QCとMLの両方の分野を掘り下げ、それら間のアイデアの相互作用と、ハードウェアの現在の機能と限界を探求します。
本稿では,量子コンピューティングの歴史を調査し,既存のQMLアルゴリズムを検証し,QMLアルゴリズムのシミュレーションを作成するための簡易な手順を提案する。
さらに,機械学習と量子機械学習の両方を用いて,データセット上でシミュレーションを行った。
その後,量子シミュレータを用いて各性能の比較を行った。
関連論文リスト
- 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) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳（メタデータ） (2023-08-25T15:08:19Z) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine
learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。
古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。
量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文 参考訳（メタデータ） (2023-01-13T09:35:05Z) - 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) - 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) - Quantum Semi-Supervised Kernel Learning [4.726777092009554]
本稿では,セミスーパービジョンカーネル支援ベクトルマシンを学習するための量子機械学習アルゴリズムを提案する。
完全教師付き量子LS-SVMと同じスピードアップを維持していることを示す。
論文 参考訳（メタデータ） (2022-04-22T13:39:55Z) - Dynamical simulation via quantum machine learning with provable
generalization [2.061594137938085]
本研究では,QML法を用いて量子力学を短期量子ハードウェア上でシミュレートするフレームワークを開発した。
このフレームワーク内でのアルゴリズムのトレーニングデータ要求を厳格に分析する。
我々は,IBMQ-BogotaのTrotterizationの20倍の時間をシミュレーションした。
論文 参考訳（メタデータ） (2022-04-21T17:15:24Z) - Quantum Machine Learning for Software Supply Chain Attacks: How Far Can
We Go? [5.655023007686363]
本稿では、量子機械学習(QML)と呼ばれる機械学習アルゴリズムに適用されたQCの高速化性能について分析する。
実際の量子コンピュータの限界により、QML法はQiskitやIBM Quantumといったオープンソースの量子シミュレータ上で実装された。
興味深いことに、実験結果は、SSC攻撃の古典的アプローチと比較して計算時間と精度の低下を示すことによって、QCの約束を早めることと異なる。
論文 参考訳（メタデータ） (2022-04-04T21:16:06Z) - 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 Machine Learning For Classical Data [0.0]
量子コンピューティングと教師付き機械学習アルゴリズムの交差について研究する。
特に,教師付き機械学習アルゴリズムの高速化に量子コンピュータがどの程度使えるかを検討する。
論文 参考訳（メタデータ） (2021-05-08T12:11:44Z) - QEML (Quantum Enhanced Machine Learning): Using Quantum Computing to
Enhance ML Classifiers and Feature Spaces [0.49841205356595936]
機械学習と量子コンピューティングは、特定のアルゴリズムのパフォーマンスと振る舞いにパラダイムシフトを引き起こしている。
本稿ではまず,量子的特徴空間の実装に関する数学的直観について述べる。
従来のKNNの分類手法を模倣した雑音変動量子回路KNNを構築した。
論文 参考訳（メタデータ） (2020-02-22T04:14:32Z)
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。