論文の概要: Quantum Inception Score
- arxiv url: http://arxiv.org/abs/2311.12163v3
- Date: Mon, 3 Jun 2024 18:26:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 13:57:08.478871
- Title: Quantum Inception Score
- Title(参考訳): 量子開始スコア
- Authors: Akira Sone, Akira Tanji, Naoki Yamamoto,
- Abstract要約: 本稿では,量子発生器の量子開始スコア(qIS)を提案する。
QISは、与えられたデータセットを分類する量子チャネルのホレボ情報に品質を関連付ける。
量子生成モデルとして1次元スピンチェーンモデルの品質評価にQISを適用した。
- 参考スコア(独自算出の注目度): 0.39102514525861415
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motivated by the great success of classical generative models in machine learning, enthusiastic exploration of their quantum version has recently started. To depart on this journey, it is important to develop a relevant metric to evaluate the quality of quantum generative models; in the classical case, one such example is the (classical) inception score (cIS). In this paper, as a natural extension of cIS, we propose the quantum inception score (qIS) for quantum generators. Importantly, qIS relates the quality to the Holevo information of the quantum channel that classifies a given dataset. In this context, we show several properties of qIS. First, qIS is greater than or equal to the corresponding cIS, which is defined through projection measurements on the system output. Second, the difference between qIS and cIS arises from the presence of quantum coherence, as characterized by the resource theory of asymmetry. Third, when a set of entangled generators is prepared, there exists a classifying process leading to the further enhancement of qIS. Fourth, we harness the quantum fluctuation theorem to characterize the physical limitation of qIS. Finally, we apply qIS to assess the quality of the one-dimensional spin chain model as a quantum generative model, with the quantum convolutional neural network as a quantum classifier, for the phase classification problem in the quantum many-body physics.
- Abstract(参考訳): 機械学習における古典的生成モデルの成功に触発されて、量子バージョンの熱心な探索が最近始まった。
この旅に出発するためには、量子生成モデルの質を評価するための関連する指標を開発することが重要である。
本稿では,cISの自然な拡張として,量子発生器の量子開始スコア(qIS)を提案する。
重要な点として、QISは、与えられたデータセットを分類する量子チャネルのホレボ情報に品質を関連付ける。
この文脈では、qISのいくつかの特性を示す。
第一に、qISは対応するcISよりも大きいか等しいかであり、システム出力の投影測定によって定義される。
第2に、QISとcISの違いは、非対称性の資源理論によって特徴づけられるように、量子コヒーレンスの存在から生じる。
第3に、絡み合ったジェネレータのセットを用意した場合には、QISのさらなる拡張につながる分類プロセスが存在する。
第4に、量子ゆらぎ定理を利用して、QISの物理的極限を特徴づける。
最後に、量子多体物理学における位相分類問題に対して、量子畳み込みニューラルネットワークを量子分類器として、量子生成モデルとして1次元スピンチェーンモデルの品質を評価するためにqISを適用した。
関連論文リスト
- The Universe as a Learning System [0.0]
一般要求下では、量子系は勾配降下モデルの破壊的なバージョンに従うことが提案される。
このような学習過程は、散逸を仮定した場合、すなわち量子系が開である場合にのみ可能となる。
論文 参考訳(メタデータ) (2024-02-22T10:11:51Z) - Quantum steering ellipsoids and quantum obesity in critical systems [0.0]
量子肥満(Quantum obesity, QO)は、量子相関の量子化に使用される新しい関数である。
量子相転移のシグネチャを観測するためのQOは基本量であることを示す。
論文 参考訳(メタデータ) (2023-12-19T19:14:08Z) - Estimating Entanglement Entropy via Variational Quantum Circuits with
Classical Neural Networks [8.995346200610019]
本稿では、古典的ニューラルネットワーク(NN)と変分量子回路を組み合わせた新しいアプローチである量子ニューラルエントロピー推定器(QNEE)を提案する。
QNEEはエントロピーの正確な推定を提供し、入力密度行列の固有値と固有状態も得られる。
数値シミュレーションにより1D XXZ Heisenbergモデルに適用し,QNEEの有効性を示した。
論文 参考訳(メタデータ) (2023-07-25T14:04:21Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳(メタデータ) (2023-06-29T18:00:01Z) - Universality of critical dynamics with finite entanglement [68.8204255655161]
臨界近傍の量子系の低エネルギー力学が有限絡みによってどのように変化するかを研究する。
その結果、時間依存的臨界現象における絡み合いによる正確な役割が確立された。
論文 参考訳(メタデータ) (2023-01-23T19:23:54Z) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳(メタデータ) (2022-06-07T07:32:57Z) - Efficient criteria of quantumness for a large system of qubits [58.720142291102135]
大規模部分量子コヒーレント系の基本パラメータの無次元結合について論じる。
解析的および数値計算に基づいて、断熱進化中の量子ビット系に対して、そのような数を提案する。
論文 参考訳(メタデータ) (2021-08-30T23:50:05Z) - 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) - Towards understanding the power of quantum kernels in the NISQ era [79.8341515283403]
量子カーネルの利点は,大規模データセット,計測回数の少ないもの,システムノイズなどにおいて消失することを示した。
我々の研究は、NISQデバイス上で量子優位性を得るための先進量子カーネルの探索に関する理論的ガイダンスを提供する。
論文 参考訳(メタデータ) (2021-03-31T02:41:36Z) - Relaxation to Equilibrium in a Quantum Network [0.0]
完全連結量子ネットワークとCNOTゲートの平衡緩和について検討する。
解析的推定を含む,これらのシステムにおける平衡に関する多くの結果を与える。
論文 参考訳(メタデータ) (2020-09-28T22:15:35Z) - Quantum entanglement recognition [0.0]
機械学習技術に基づく絡み合いを探索するための枠組みを定式化する。
得られた量子エンタングルメント認識タスクは正確であり、よく制御されたエラーを割り当てることができることを示す。
論文 参考訳(メタデータ) (2020-07-28T18:00:00Z)
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。