論文の概要: First quantum machine learning applications on an on-site room-temperature quantum computer

• arxiv url: http://arxiv.org/abs/2312.11673v1
• Date: Mon, 18 Dec 2023 19:30:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 17:57:58.648990
• Title: First quantum machine learning applications on an on-site room-temperature quantum computer
• Title（参考訳）: オンサイト室温量子コンピュータにおける最初の量子機械学習応用
• Authors: Nils Herrmann, Mariam Akhtar, Daanish Arya, Marcus W. Doherty, Pascal Macha, Florian Preis, Stefan Prestel, Michael L. Walker
• Abstract要約: 本稿では,量子機械学習(QML)アルゴリズムの現場室温量子コンピュータへの応用を実演する。 オーストラリアのパースにあるPawsey Supercomputing Centreにインストールされた2ビット量子コンピュータは、マルチクラスの分類問題を解決するために使用される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We demonstrate - for the first time - the application of a quantum machine learning (QML) algorithm on an on-site room-temperature quantum computer. A two-qubit quantum computer installed at the Pawsey Supercomputing Centre in Perth, Australia, is used to solve multi-class classification problems on unseen, i.e. untrained, 2D data points. The underlying 1-qubit model is based on the data re-uploading framework of the universal quantum classifier and was trained on an ideal quantum simulator using the Adam optimiser. No noise models or device-specific insights were used in the training process. The optimised model was deployed to the quantum device by means of a single XYX decomposition leading to three parameterised single qubit rotations. The results for different classification problems are compared to the optimal results of an ideal simulator. The room-temperature quantum computer achieves very high classification accuracies, on par with ideal state vector simulations.
• Abstract（参考訳）: 量子機械学習(qml)アルゴリズムを現場の室温量子コンピュータに初めて適用した例を示す。 オーストラリアのパースにあるpawsey supercomputing centreに設置された2量子ビット量子コンピュータは、未発見の2dデータポイントのマルチクラス分類問題を解決するために使用される。 基礎となる1量子ビットモデルは、ユニバーサル量子分類器のデータ再アップロードフレームワークに基づいており、adam optimiserを使って理想的な量子シミュレータでトレーニングされた。 トレーニングプロセスではノイズモデルやデバイス固有の洞察は使用されなかった。 最適化されたモデルは1つのXYX分解によって量子デバイスに展開され、3つのパラメータ化された1量子ビット回転が導かれる。 異なる分類問題に対する結果は、理想的なシミュレータの最適結果と比較される。 室温量子コンピュータは理想的な状態ベクトルシミュレーションと同等に非常に高い分類精度を達成する。

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)
• Supervised binary classification of small-scale digits images with a trapped-ion quantum processor [56.089799129458875]
  量子プロセッサは、考慮された基本的な分類タスクを正しく解くことができることを示す。 量子プロセッサの能力が向上するにつれ、機械学習の有用なツールになり得る。
  論文  参考訳（メタデータ） (2024-06-17T18:20:51Z)
• 3D-QAE: Fully Quantum Auto-Encoding of 3D Point Clouds [71.39129855825402]
  既存の3D表現の学習方法は、古典的なハードウェアでトレーニングされ、テストされるディープニューラルネットワークである。 本稿では3次元点雲のための最初の量子オートエンコーダを紹介する。
  論文  参考訳（メタデータ） (2023-11-09T18:58:33Z)
• Quantum support vector machines for classification and regression on a trapped-ion quantum computer [9.736685719039599]
  量子支援ベクトル分類(QSVC)と量子支援ベクトル回帰(QSVR)に基づく量子機械学習モデルについて検討する。 本稿では,これらのモデルについて,ノイズと非ノイズの双方を考慮した量子回路シミュレータとIonQ Harmony量子プロセッサを用いて検討する。 分類タスクでは, 捕捉イオン量子コンピュータの4量子ビットを用いたQSVCモデルの性能は, ノイズレス量子回路シミュレーションで得られたものと同等であった。
  論文  参考訳（メタデータ） (2023-07-05T08:06:41Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• 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)
• Differentiable matrix product states for simulating variational quantum computational chemistry [6.954927515599816]
  本稿では,変分量子固有解法(VQE)の並列化可能な古典シミュレータを提案する。 我々のシミュレーターは量子回路の進化を古典的自己微分フレームワークにシームレスに統合する。 応用として、我々のシミュレーターを用いて、一般的なHF、LiH、H$Oなどの小分子と、最大40ドルの量子ビットを持つより大きな分子であるCO$$、BeH$、H$_4$を研究する。
  論文  参考訳（メタデータ） (2022-11-15T08:36:26Z)
• Machine learning applications for noisy intermediate-scale quantum computers [0.0]
  NISQコンピュータに適した3つの量子機械学習アプリケーションを開発し研究する。 これらのアルゴリズムは本質的に変動し、基礎となる量子機械学習モデルとしてパラメータ化量子回路(PQC)を使用する。 近似量子クローニングの領域において,データを自然界において量子化する変分アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-19T09:26:57Z)
• Quantum neural networks [0.0]
  この論文は、過去数十年で最もエキサイティングな研究分野である量子コンピューティングと機械学習を組み合わせたものだ。 本稿では、汎用量子計算が可能で、トレーニング中にメモリ要求の少ない散逸型量子ニューラルネットワーク(DQNN)を紹介する。
  論文  参考訳（メタデータ） (2022-05-17T07:47:00Z)
• Multiclass classification using quantum convolutional neural networks with hybrid quantum-classical learning [0.5999777817331318]
  本稿では,量子畳み込みニューラルネットワークに基づく量子機械学習手法を提案する。 提案手法を用いて,MNISTデータセットの4クラス分類を,データエンコーディングの8つのキュービットと4つのアクニラキュービットを用いて実証する。 この結果から,学習可能なパラメータの数に匹敵する古典的畳み込みニューラルネットワークによる解の精度が示された。
  論文  参考訳（メタデータ） (2022-03-29T09:07:18Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)

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。