論文の概要: Variational data encoding and correlations in quantum-enhanced machine
learning
- arxiv url: http://arxiv.org/abs/2312.07949v1
- Date: Wed, 13 Dec 2023 07:55:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-14 16:24:35.128886
- Title: Variational data encoding and correlations in quantum-enhanced machine
learning
- Title(参考訳): 量子化機械学習における変分データ符号化と相関
- Authors: Ming-Hao Wang and Hua Lu
- Abstract要約: 我々は,古典的データを量子状態に変換するための効果的な符号化プロトコルを開発した。
また、量子加速を妨げる必然的なノイズに対処する必要性にも対処する。
機械学習から学習の概念を適用することで、学習可能なプロセスを符号化するデータを描画する。
- 参考スコア(独自算出の注目度): 2.436161840735876
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Leveraging the extraordinary phenomena of quantum superposition and quantum
correlation, quantum computing offers unprecedented potential for addressing
challenges beyond the reach of classical computers. This paper tackles two
pivotal challenges in the realm of quantum computing: firstly, the development
of an effective encoding protocol for translating classical data into quantum
states, a critical step for any quantum computation. Different encoding
strategies can significantly influence quantum computer performance. Secondly,
we address the need to counteract the inevitable noise that can hinder quantum
acceleration. Our primary contribution is the introduction of a novel
variational data encoding method, grounded in quantum regression algorithm
models. By adapting the learning concept from machine learning, we render data
encoding a learnable process. Through numerical simulations of various
regression tasks, we demonstrate the efficacy of our variational data encoding,
particularly post-learning from instructional data. Moreover, we delve into the
role of quantum correlation in enhancing task performance, especially in noisy
environments. Our findings underscore the critical role of quantum correlation
in not only bolstering performance but also in mitigating noise interference,
thus advancing the frontier of quantum computing.
- Abstract(参考訳): 量子重ね合わせと量子相関という異常な現象を生かして、量子コンピューティングは古典的コンピュータの到達範囲を超えた課題に対処する前例のない可能性を提供する。
本稿では,量子コンピューティングの領域における2つの重要な課題に取り組み,まず古典的データを量子状態に変換するための効果的な符号化プロトコルの開発について述べる。
異なる符号化戦略は量子コンピュータの性能に大きな影響を及ぼす。
第二に、量子加速を妨げる必然的なノイズに対処する必要性に対処する。
我々の主な貢献は、量子回帰アルゴリズムモデルに基づく新しい変分データ符号化法の導入である。
機械学習から学習の概念を適用することで、学習可能なプロセスを符号化するデータを描画する。
様々な回帰課題の数値シミュレーションを通じて,変動データエンコーディング,特に授業データからのポストラーニングの有効性を実証する。
さらに,特に雑音環境におけるタスク性能向上における量子相関の役割について考察する。
量子相関は, 性能向上だけでなく, 雑音干渉の軽減にも寄与し, 量子コンピューティングのフロンティアを前進させる上で重要な役割を担っている。
関連論文リスト
- Classification of the Fashion-MNIST Dataset on a Quantum Computer [0.0]
古典的なデータを量子コンピュータに符号化する従来の方法は、コストがかかりすぎて、現在のハードウェアで実現可能な実験の規模が制限される。
現在利用可能な量子コンピュータのネイティブゲートセットとトポロジに適合する回路を用いて、符号化されたデータを作成する改良された変分アルゴリズムを提案する。
我々は、現在の量子コンピュータibmq-kolkata上で、符号化データセットに基づいて訓練された単純な量子変分分類器をデプロイし、適度な精度を達成する。
論文 参考訳(メタデータ) (2024-03-04T19:01:14Z) - Streaming IoT Data and the Quantum Edge: A Classic/Quantum Machine
Learning Use Case [0.6554326244334868]
量子機械学習を分散コンピューティング連続体に統合するためのエッジコンピューティングの利用について検討する。
我々は,IoTシナリオにおける量子機械学習分析の予備的結果を示す。
論文 参考訳(メタデータ) (2024-02-23T10:36:22Z) - Near-Term Distributed Quantum Computation using Mean-Field Corrections
and Auxiliary Qubits [77.04894470683776]
本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。
我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
論文 参考訳(メタデータ) (2023-09-11T18:00:00Z) - Stabilization and Dissipative Information Transfer of a Superconducting
Kerr-Cat Qubit [0.0]
そこで我々は,Cat-Qubitと呼ばれる量子ビットモデルへの消散情報伝達について検討した。
このモデルは、二項量子分類の散逸に基づくバージョンにとって特に重要である。
Cat-Qubitアーキテクチャは、人工ニューラルネットワークでアクティベーションライクな機能を実装できる可能性がある。
論文 参考訳(メタデータ) (2023-07-23T11:28:52Z) - 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) - Transition role of entangled data in quantum machine learning [65.73265547435442]
エンタングルメントは量子コンピューティングを強化するリソースとして機能する。
最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。
我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
論文 参考訳(メタデータ) (2023-06-06T08:06:43Z) - 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) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳(メタデータ) (2021-08-09T18:00:05Z) - Variational learning for quantum artificial neural networks [0.0]
まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。
次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。
メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
論文 参考訳(メタデータ) (2021-03-03T16:10:15Z) - Resource-efficient encoding algorithm for variational bosonic quantum
simulations [0.0]
量子コンピューティングのノイズ中間スケール量子(NISQ)時代には、量子資源は限られている。
ボゾン基底と励起状態計算のための資源効率のよい量子アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-23T19:00:05Z) - An Application of Quantum Annealing Computing to Seismic Inversion [55.41644538483948]
小型地震インバージョン問題を解決するために,D波量子アニールに量子アルゴリズムを適用した。
量子コンピュータによって達成される精度は、少なくとも古典的コンピュータと同程度である。
論文 参考訳(メタデータ) (2020-05-06T14:18:44Z)
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。