論文の概要: Adiabatic Quantum Support Vector Machines
- arxiv url: http://arxiv.org/abs/2401.12485v1
- Date: Tue, 23 Jan 2024 04:50:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-24 16:57:04.148155
- Title: Adiabatic Quantum Support Vector Machines
- Title（参考訳）: 断熱型量子支援ベクトルマシン
- Authors: Prasanna Date, Dong Jun Woun, Kathleen Hamilton, Eduardo A. Coello
Perez, Mayanka Chandra Shekhar, Francisco Rios, John Gounley, In-Saeng Suh,
Travis Humble, Georgia Tourassi
- Abstract要約: 本稿では,学習支援ベクトルマシンのための断熱的量子アプローチについて述べる。
量子的アプローチの時間的複雑さは、古典的アプローチよりも桁違いに優れていることを示す。
- 参考スコア（独自算出の注目度）: 0.8445084028034932
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adiabatic quantum computers can solve difficult optimization problems (e.g.,
the quadratic unconstrained binary optimization problem), and they seem well
suited to train machine learning models. In this paper, we describe an
adiabatic quantum approach for training support vector machines. We show that
the time complexity of our quantum approach is an order of magnitude better
than the classical approach. Next, we compare the test accuracy of our quantum
approach against a classical approach that uses the Scikit-learn library in
Python across five benchmark datasets (Iris, Wisconsin Breast Cancer (WBC),
Wine, Digits, and Lambeq). We show that our quantum approach obtains accuracies
on par with the classical approach. Finally, we perform a scalability study in
which we compute the total training times of the quantum approach and the
classical approach with increasing number of features and number of data points
in the training dataset. Our scalability results show that the quantum approach
obtains a 3.5--4.5 times speedup over the classical approach on datasets with
many (millions of) features.
- Abstract（参考訳）: 断熱量子コンピュータは難解な最適化問題(例えば、二分最適化の二次問題)を解くことができ、機械学習モデルのトレーニングに適しているように見える。
本稿では,学習支援ベクトルマシンのための断熱量子アプローチについて述べる。
量子的アプローチの時間的複雑さは、古典的アプローチよりも桁違いに優れていることを示す。
次に,5つのベンチマークデータセット(Iris, Wisconsin Breast Cancer (WBC), Wine, Digits, Lambeq)でPythonのScikit-learnライブラリを使用する古典的アプローチと比較した。
量子的アプローチは古典的アプローチと同等の精度が得られることを示す。
最後に、量子的アプローチと古典的アプローチの合計トレーニング時間を、トレーニングデータセットにおける特徴数やデータポイント数の増加とともに計算するスケーラビリティ調査を実行する。
我々の拡張性は、量子アプローチが古典的手法よりも3.5-4.5倍の速さで多くの特徴を持つデータセットを得ることを示す。
関連論文リスト
- Learning out-of-time-ordered correlators with classical kernel methods [3.6538093004443155]
XZ-OTOCとOTOCの特定の和を正確に学習できるのかどうかを考察する。
この問題を回帰タスクとして,効率的な数値アルゴリズムを用いてラベル付きデータを生成する。
我々は、様々な標準カーネルマシンを訓練し、最高のカーネルが確実に高い判定係数を達成することを観察する。
論文 参考訳（メタデータ） (2024-09-03T04:20:24Z) - 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) - Quantum Computing for Solid Mechanics and Structural Engineering -- a
Demonstration with Variational Quantum Eigensolver [3.8061090528695534]
変分量子アルゴリズムは、コスト関数を効率的に最適化するために重ね合わせと絡み合いの特徴を利用する。
我々は,IBM Qiskit プラットフォーム上で 5-qubit および 7-qubit 量子プロセッサ上での数値処理を実装し,実演する。
論文 参考訳（メタデータ） (2023-08-28T17:52:47Z) - Expressive Quantum Supervised Machine Learning using Kerr-nonlinear
Parametric Oscillators [0.0]
変分量子アルゴリズム(VQA)を用いた量子機械学習は、ノイズのある中間スケール量子(NISQ)時代の実用的なアルゴリズムとして積極的に研究されている。
近年の研究では、古典的なデータを量子回路に繰り返しエンコードするデータ再アップロードが、表現力のある量子機械学習モデルを得るために必要であることが示されている。
我々は、Kerrnon Parametric Hilberts (KPO) を別の有望な量子コンピューティングデバイスとして用いて量子機械学習を提案する。
論文 参考訳（メタデータ） (2023-05-01T07:01:45Z) - Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。
我々は距離の計算を高速化するために量子現象を利用する。
我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
論文 参考訳（メタデータ） (2022-12-13T16:04:16Z) - 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) - Facial Expression Recognition on a Quantum Computer [68.8204255655161]
量子機械学習手法を用いて表情認識の可能な解を示す。
適切に定義された量子状態の振幅に符号化されたグラフの隣接行列を操作する量子回路を定義する。
論文 参考訳（メタデータ） (2021-02-09T13:48:00Z) - 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) - Balanced k-Means Clustering on an Adiabatic Quantum Computer [0.0]
本稿では、D-Wave 2000Qアダイバティック量子コンピュータ上で、バランスの取れた$k$-meansクラスタリング訓練問題を解くための量子的アプローチを提案する。
既存の古典的アプローチは大規模なデータセットではスケールが悪く、ローカルに最適なソリューションを保証するだけである。
論文 参考訳（メタデータ） (2020-08-10T21:15:47Z) - Adiabatic Quantum Linear Regression [0.0]
本稿では,線形回帰モデルをトレーニングするための断熱的量子コンピューティング手法を提案する。
我々の分析によると、量子アプローチは、より大きなデータセットに対する古典的なアプローチよりも最大2.8倍のスピードアップを達成した。
論文 参考訳（メタデータ） (2020-08-05T20:40:41Z)
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。