論文の概要: Toward Automated Quantum Variational Machine Learning
- arxiv url: http://arxiv.org/abs/2312.01567v1
- Date: Mon, 4 Dec 2023 01:47:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 16:48:05.385062
- Title: Toward Automated Quantum Variational Machine Learning
- Title(参考訳): 量子変分機械学習の自動化に向けて
- Authors: Omer Subasi
- Abstract要約: 我々はMUSEと呼ばれるマルチローカル並列化検索アルゴリズムを開発し、初期点とパラメータの集合を求める。
MUSEは、観測された最低スコアに対する量子変分分類器の2.3倍の検出精度を向上させる。
MUSEでトレーニングされた量子変分モデルの分類と回帰スコアは、古典的なものと同等である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this work, we address the problem of automating quantum variational
machine learning. We develop a multi-locality parallelizable search algorithm,
called MUSE, to find the initial points and the sets of parameters that achieve
the best performance for quantum variational circuit learning. Simulations with
five real-world classification datasets indicate that on average, MUSE improves
the detection accuracy of quantum variational classifiers 2.3 times with
respect to the observed lowest scores. Moreover, when applied to two real-world
regression datasets, MUSE improves the quality of the predictions from negative
coefficients of determination to positive ones. Furthermore, the classification
and regression scores of the quantum variational models trained with MUSE are
on par with the classical counterparts.
- Abstract(参考訳): 本研究では,量子変分機械学習の自動化問題に対処する。
我々はMUSEと呼ばれる多局所並列化可能な探索アルゴリズムを開発し、量子変動回路学習の最適性能を実現するための初期点とパラメータの集合を求める。
5つの実世界の分類データセットを用いたシミュレーションでは、平均してMUSEは観測された最低スコアの2.3倍の量子変分法の検出精度を向上させる。
さらに、2つの実世界の回帰データセットに適用すると、MUSEは決定の負の係数から正の係数への予測の品質を向上させる。
さらに、MUSEで訓練された量子変分モデルの分類と回帰スコアは古典的なものと同等である。
関連論文リスト
- Regression and Classification with Single-Qubit Quantum Neural Networks [0.0]
我々は、回帰処理と分類処理の両方にリソース効率が高くスケーラブルなSQQNN(Single-Qubit Quantum Neural Network)を使用する。
分類にはTaylor級数にインスパイアされた新しいトレーニング手法を導入する。
SQQNNは、MNISTデータセットを含む回帰および分類タスクにおいて、事実上エラーのない、強力なパフォーマンスを示す。
論文 参考訳(メタデータ) (2024-12-12T17:35:36Z) - Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。
この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。
我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
論文 参考訳(メタデータ) (2024-11-13T12:03:39Z) - Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳(メタデータ) (2024-09-05T07:18:09Z) - 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) - Strategic Data Re-Uploads: A Pathway to Improved Quantum Classification Data Re-Uploading Strategies for Improved Quantum Classifier Performance [0.0]
古典情報を複数回量子状態に再アップロードすると、量子分類器の精度が向上する。
線形分類パターン(LCP)と非線形分類パターン(NLCP)の2つの分類パターンに対するアプローチを実証する。
論文 参考訳(メタデータ) (2024-05-15T14:28:00Z) - Certainty In, Certainty Out: REVQCs for Quantum Machine Learning [15.908051575681458]
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。
論文 参考訳(メタデータ) (2023-10-16T17:53:30Z) - Machine Learning for Practical Quantum Error Mitigation [0.0]
量子エラー軽減のための機械学習は、そのコストを大幅に削減することを示す。
本稿では,ML-QEMを用いて従来の緩和手法を模倣し,より優れた実行効率で拡張性を実現する方法を提案する。
論文 参考訳(メタデータ) (2023-09-29T16:17:12Z) - 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) - Transfer Learning in Quantum Parametric Classifiers: An
Information-Theoretic Generalization Analysis [42.275148861039895]
古典的な入力を持つ量子機械学習における重要なステップは、入力を量子状態にマッピングする埋め込み回路の設計である。
本稿では,任意のパラメトリック量子回路を用いて古典-量子埋め込みを行う移動学習環境について検討する。
論文 参考訳(メタデータ) (2022-01-17T09:28:13Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳(メタデータ) (2021-11-29T12:24:02Z) - Binary classifiers for noisy datasets: a comparative study of existing
quantum machine learning frameworks and some new approaches [0.0]
バイナリ分類を改善するためにQuantum Machine Learningフレームワークを適用した。
ノイズの多いデータセットは 財務的なデータセットの中にあります
新しいモデルでは、データセットの非対称ノイズに対する学習特性が向上する。
論文 参考訳(メタデータ) (2021-11-05T10:29:05Z)
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。