論文の概要: An inductive bias from quantum mechanics: learning order effects with
non-commuting measurements
- arxiv url: http://arxiv.org/abs/2312.03862v1
- Date: Wed, 6 Dec 2023 19:18:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-08 17:04:05.453070
- Title: An inductive bias from quantum mechanics: learning order effects with
non-commuting measurements
- Title（参考訳）: 量子力学からの帰納的バイアス--非可換計測による学習順序効果
- Authors: Kaitlin Gili, Guillermo Alonso, Maria Schuld
- Abstract要約: 量子可観測物の非可換性は「順序効果」でデータを学ぶのにどのように役立つかを検討する。
与えられたタスクに適応可能な逐次学習可能な測定値からなる生成量子モデルを設計する。
我々の最初の実験シミュレーションでは、データに存在する順序効果の量が増加するにつれて、量子モデルはより非可換性を学ぶことが示されている。
- 参考スコア（独自算出の注目度）: 1.759387113329159
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: There are two major approaches to building good machine learning algorithms:
feeding lots of data into large models, or picking a model class with an
''inductive bias'' that suits the structure of the data. When taking the second
approach as a starting point to design quantum algorithms for machine learning,
it is important to understand how mathematical structures in quantum mechanics
can lead to useful inductive biases in quantum models. In this work, we bring a
collection of theoretical evidence from the Quantum Cognition literature to the
field of Quantum Machine Learning to investigate how non-commutativity of
quantum observables can help to learn data with ''order effects'', such as the
changes in human answering patterns when swapping the order of questions in a
survey. We design a multi-task learning setting in which a generative quantum
model consisting of sequential learnable measurements can be adapted to a given
task -- or question order -- by changing the order of observables, and we
provide artificial datasets inspired by human psychology to carry out our
investigation. Our first experimental simulations show that in some cases the
quantum model learns more non-commutativity as the amount of order effect
present in the data is increased, and that the quantum model can learn to
generate better samples for unseen question orders when trained on others -
both signs that the model architecture suits the task.
- Abstract（参考訳）: 優れた機械学習アルゴリズムを構築するには、2つの主要なアプローチがある。大きなモデルに大量のデータを供給するか、データの構造に適合する'インダクティブバイアス'でモデルクラスを選択する。
第2のアプローチを機械学習のための量子アルゴリズム設計の出発点とする場合、量子力学における数学的構造が量子モデルにおいて有用な帰納バイアスをもたらすかを理解することが重要である。
本研究では、量子認知文学の理論的証拠を量子機械学習の分野に持ち込み、量子可観測物の非可換性が、質問の順序を切り替える際の人間の回答パターンの変化などの「順序効果」でデータを学ぶのにどのように役立つかを研究する。
連続的な学習可能な測定値からなる生成量子モデルを、観測対象の順序を変化させることで、与えられたタスク(または質問順)に適応できるマルチタスク学習環境を設計し、人間の心理学にインスパイアされた人工データセットを提供して調査を行う。
我々の最初の実験シミュレーションでは、データに存在する順序効果の量が増加するにつれて、量子モデルはより非可換性を学び、量子モデルは、他のモデルアーキテクチャがタスクに適合することを示す合図で訓練された時に、目に見えない質問順序のためのより良いサンプルを生成することができることを示した。
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) - The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。
量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。
この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文 参考訳（メタデータ） (2024-08-19T12:18:07Z) - Large-scale quantum reservoir learning with an analog quantum computer [45.21335836399935]
我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。
アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。
本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
論文 参考訳（メタデータ） (2024-07-02T18:00:00Z) - Exponential quantum advantages in learning quantum observables from classical data [1.9662978733004604]
我々は、古典的なデータから量子オブザーバブルを学習する物理的に関係のあるタスクに対して、量子上の利点を証明している。
我々の結果は、量子多体物理学の領域における機械学習問題に対する量子コンピュータの実用性に光を当てた。
論文 参考訳（メタデータ） (2024-05-03T11:58:43Z) - 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) - 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) - Provably efficient variational generative modeling of quantum many-body
systems via quantum-probabilistic information geometry [3.5097082077065003]
パラメータ化混合状態に対する量子自然勾配降下の一般化を導入する。
また、堅牢な一階近似アルゴリズム、Quantum-Probabilistic Mirror Descentを提供する。
我々のアプローチは、モデル選択における柔軟性を実現するために、それまでのサンプル効率の手法を拡張しました。
論文 参考訳（メタデータ） (2022-06-09T17:58:15Z) - Generative Quantum Machine Learning [0.0]
この論文の目的は、新しい生成量子機械学習アルゴリズムを開発することである。
本稿では,パラメータ化量子回路で実現可能な量子生成逆数ネットワークと量子ボルツマンマシンの実装を紹介する。
論文 参考訳（メタデータ） (2021-11-24T19:00:21Z) - Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。
演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
論文 参考訳（メタデータ） (2021-01-21T22:18:49Z) - Power of data in quantum machine learning [2.1012068875084964]
データから学習する古典機械によって、古典的に計算が難しい問題を簡単に予測できることが示される。
本稿では,フォールトトレラントシステムにおける学習問題に対して,単純かつ厳密な量子スピードアップを実現する量子モデルを提案する。
論文 参考訳（メタデータ） (2020-11-03T19:00:01Z) - Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。
この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。
我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文 参考訳（メタデータ） (2020-01-15T18:36:53Z)
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。