論文の概要: Neural auto-designer for enhanced quantum kernels

• arxiv url: http://arxiv.org/abs/2401.11098v1
• Date: Sat, 20 Jan 2024 03:11:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 18:08:15.494409
• Title: Neural auto-designer for enhanced quantum kernels
• Title（参考訳）: 量子カーネル強化のためのニューラルオートデザイナ
• Authors: Cong Lei, Yuxuan Du, Peng Mi, Jun Yu, Tongliang Liu
• Abstract要約: 本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。 私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
• 参考スコア（独自算出の注目度）: 59.616404192966016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum kernels hold great promise for offering computational advantages over classical learners, with the effectiveness of these kernels closely tied to the design of the quantum feature map. However, the challenge of designing effective quantum feature maps for real-world datasets, particularly in the absence of sufficient prior information, remains a significant obstacle. In this study, we present a data-driven approach that automates the design of problem-specific quantum feature maps. Our approach leverages feature-selection techniques to handle high-dimensional data on near-term quantum machines with limited qubits, and incorporates a deep neural predictor to efficiently evaluate the performance of various candidate quantum kernels. Through extensive numerical simulations on different datasets, we demonstrate the superiority of our proposal over prior methods, especially for the capability of eliminating the kernel concentration issue and identifying the feature map with prediction advantages. Our work not only unlocks the potential of quantum kernels for enhancing real-world tasks but also highlights the substantial role of deep learning in advancing quantum machine learning.
• Abstract（参考訳）: 量子カーネルは、古典的学習者よりも計算上の利点を提供するという大きな約束を持ち、これらのカーネルの有効性は量子的特徴マップの設計と密接に結びついている。 しかし、実世界のデータセット、特に十分な事前情報がない場合に、効果的な量子特徴写像を設計するという課題は、依然として大きな障害である。 本研究では,問題固有の量子特徴マップの設計を自動化したデータ駆動手法を提案する。 提案手法は,近距離量子マシンの量子ビットに制限のある高次元データを処理するための特徴選択手法を利用して,様々な量子カーネルの性能評価を行う。 異なるデータセット上での広範な数値シミュレーションにより,提案手法が従来手法よりも優れていること,特にカーネル集中問題を排除し,特徴マップを予測上の優位性で識別できることを実証した。 我々の研究は、現実世界のタスクを強化するために量子カーネルの可能性を解き放ち、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調している。

関連論文リスト

• Learning complexity gradually in quantum machine learning models [0.29998889086656577]
  トレーニングセット全体に対して情報的データポイントを優先するフレームワークを提案する。 情報的サンプルに選択的に焦点をあてることで、パラメータ空間のより好ましい領域に向けて最適化プロセスのステアリングを目指す。 この戦略は,量子機械学習モデルの性能向上に有効である可能性が示唆された。
  論文  参考訳（メタデータ） (2024-11-18T19:00:01Z)
• 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)
• Coreset selection can accelerate quantum machine learning models with provable generalization [6.733416056422756]
  量子ニューラルネットワーク(QNN)と量子カーネルは、量子機械学習の領域において顕著な存在である。 我々は、QNNと量子カーネルのトレーニングを高速化することを目的とした、コアセット選択という統一的なアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-19T08:59:46Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• 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)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Storage properties of a quantum perceptron [0.0]
  特定の量子パーセプトロンアーキテクチャの記憶容量について検討する。 我々は、特定の量子パーセプトロンモデルに焦点をあて、多数の入力の極限において、その記憶特性を探求する。
  論文  参考訳（メタデータ） (2021-11-16T12:32:34Z)
• Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
  我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。 MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
  論文  参考訳（メタデータ） (2020-12-08T01:10:30Z)

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。