Fugu-MT 論文翻訳(概要): Quantum Polar Metric Learning: Efficient Classically Learned Quantum Embeddings

論文の概要: Quantum Polar Metric Learning: Efficient Classically Learned Quantum Embeddings

arxiv url: http://arxiv.org/abs/2312.01655v3
Date: Tue, 27 Feb 2024 06:07:04 GMT
ステータス: 処理完了
システム内更新日: 2024-02-28 21:37:39.010724
Title: Quantum Polar Metric Learning: Efficient Classically Learned Quantum Embeddings
Title（参考訳）: 量子極性計量学習: 古典的学習による量子埋め込み
Authors: Vinayak Sharma and Aviral Shrivastava
Abstract要約: 量子極距離学習(QPMeL)を提案し,古典的モデルを用いて量子ビットの極形パラメータを学習する。次に、$R_y$と$R_z$の浅いPQCを使って状態を作り、$ZZ(theta)$-gatesのトレーニング可能なレイヤで絡み合いを学習します。 QMeLアプローチと比較すると、QPMeLはゲート数と深さの1/2しか使用せず、3倍のマルチクラス分離を実現している。
参考スコア（独自算出の注目度）: 0.984462697073239
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Deep metric learning has recently shown extremely promising results in the classical data domain, creating well-separated feature spaces. This idea was also adapted to quantum computers via Quantum Metric Learning(QMeL). QMeL consists of a 2 step process with a classical model to compress the data to fit into the limited number of qubits, then train a Parameterized Quantum Circuit(PQC) to create better separation in Hilbert Space. However, on Noisy Intermediate Scale Quantum (NISQ) devices. QMeL solutions result in high circuit width and depth, both of which limit scalability. We propose Quantum Polar Metric Learning (QPMeL) that uses a classical model to learn the parameters of the polar form of a qubit. We then utilize a shallow PQC with $R_y$ and $R_z$ gates to create the state and a trainable layer of $ZZ(\theta)$-gates to learn entanglement. The circuit also computes fidelity via a SWAP Test for our proposed Fidelity Triplet Loss function, used to train both classical and quantum components. When compared to QMeL approaches, QPMeL achieves 3X better multi-class separation, while using only 1/2 the number of gates and depth. We also demonstrate that QPMeL outperforms classical networks with similar configurations, presenting a promising avenue for future research on fully classical models with quantum loss functions.
Abstract（参考訳）: deep metric learningは、最近、古典的なデータドメインで非常に有望な結果を示し、十分に分離された機能空間を作成しました。このアイデアは量子メトリックラーニング(QMeL)を通じて量子コンピュータにも適用された。 QMeLは、2段階のプロセスと古典的なモデルで構成され、データを圧縮して限られたキュービット数に収まるようにし、パラメータ化量子回路(PQC)を訓練してヒルベルト空間での分離を改善する。しかし、ノイズ中間スケール量子(NISQ)デバイス上では。 QMeLソリューションは高い回路幅と深さをもたらし、どちらもスケーラビリティを制限している。量子極距離学習(QPMeL)を提案し,古典的モデルを用いて量子ビットの極形パラメータを学習する。次に、$R_y$と$R_z$の浅いPQCを使って状態を作り、$ZZ(\theta)$-gatesのトレーニング可能なレイヤで絡み合いを学習します。この回路は、古典的および量子的両方のコンポーネントをトレーニングするために使用される、提案したFidelity Triplet Loss関数のSWAPテストを通じて、フィデリティを計算する。 QMeLアプローチと比較して、QPMeLはゲート数と深さの1/2しか使用せず、3倍優れたマルチクラス分離を実現する。また、QPMeLは、同様の構成の古典的ネットワークよりも優れており、量子損失関数を持つ完全古典的モデルの将来的な研究の道筋を示す。

関連論文リスト

Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文参考訳（メタデータ） (2024-11-13T23:56:20Z)
Quantum Deep Equilibrium Models [1.5853439776721878]
本稿では,量子機械学習モデルのパラメータを学習するトレーニングパラダイムであるQuantum Deep Equilibrium Models (QDEQ)を紹介する。 QDEQは、既存の同等のベースラインモデルと競合するだけでなく、5倍以上のレイヤを持つネットワークよりも高いパフォーマンスを実現している。このことは、QDEQパラダイムが与えられたタスクに対してより浅い量子回路を開発するのに利用できることを示している。
論文参考訳（メタデータ） (2024-10-31T13:54:37Z)
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)
A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文参考訳（メタデータ） (2024-02-23T14:09:41Z)
QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文参考訳（メタデータ） (2024-01-10T22:33:00Z)
MNISQ: A Large-Scale Quantum Circuit Dataset for Machine Learning on/for Quantum Computers in the NISQ era [2.652805765181667]
MNISQは9つのサブデータセットから構成される4,950,000のデータポイントで構成されている。我々は、量子形式、回路として、古典形式、量子回路記述として、データセットを二重形式で提供します。量子カーネル法を用いて回路データセットを検証し,97%の精度で優れた結果を得た。
論文参考訳（メタデータ） (2023-06-29T02:04:14Z)
Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文参考訳（メタデータ） (2023-04-04T12:47:35Z)
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)
Towards AutoQML: A Cloud-Based Automated Circuit Architecture Search Framework [0.0]
自動量子機械学習(AutoQML)への第一歩を踏み出す本稿では,この問題の具体的記述を提案し,その後,古典的量子ハイブリッドクラウドアーキテクチャを開発する。応用例として、量子生成適応ニューラルネットワーク(qGAN)をトレーニングし、既知の歴史的なデータ分布に従うエネルギー価格を生成する。
論文参考訳（メタデータ） (2022-02-16T12:37:10Z)
Entangled Datasets for Quantum Machine Learning [0.0]
代わりに量子状態からなる量子データセットを使うべきだと我々は主張する。 NTangledデータセットの状態を生成するために量子ニューラルネットワークをどのように訓練するかを示す。また、拡張性があり、量子回路によって準備された状態で構成される、別の絡み合いベースのデータセットについても検討する。
論文参考訳（メタデータ） (2021-09-08T02:20:13Z)
Quantum embeddings for machine learning [5.16230883032882]
量子分類器は、機械学習モデルとして使用されるトレーニング可能な量子回路である。我々は、ヒルベルト空間におけるデータクラスを最大限に分離することを目的として、回路の最初の部分(埋め込み)を訓練することを提案する。このアプローチは量子機械学習のための強力な分析フレームワークを提供する。
論文参考訳（メタデータ） (2020-01-10T19:00:01Z)

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。