論文の概要: Power Characterization of Noisy Quantum Kernels
- arxiv url: http://arxiv.org/abs/2401.17526v1
- Date: Wed, 31 Jan 2024 01:02:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-01 16:06:12.952195
- Title: Power Characterization of Noisy Quantum Kernels
- Title(参考訳): ノイズ量子カーネルの電力特性評価
- Authors: Yabo Wang, Bo Qi, Xin Wang, Tongliang Liu and Daoyi Dong
- Abstract要約: 一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。
我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
- 参考スコア(独自算出の注目度): 52.47151453259434
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum kernel methods have been widely recognized as one of promising
quantum machine learning algorithms that have potential to achieve quantum
advantages. In this paper, we theoretically characterize the power of noisy
quantum kernels and demonstrate that under global depolarization noise, for
different input data the predictions of the optimal hypothesis inferred by the
noisy quantum kernel approximately concentrate towards some fixed value. In
particular, we depict the convergence rate in terms of the strength of quantum
noise, the size of training samples, the number of qubits, the number of layers
affected by quantum noises, as well as the number of measurement shots. Our
results show that noises may make quantum kernel methods to only have poor
prediction capability, even when the generalization error is small. Thus, we
provide a crucial warning to employ noisy quantum kernel methods for quantum
computation and the theoretical results can also serve as guidelines when
developing practical quantum kernel algorithms for achieving quantum
advantages.
- Abstract(参考訳): 量子カーネル法は、量子の利点を達成する可能性を持つ有望な量子機械学習アルゴリズムの1つとして広く認識されている。
本稿では,ノイズ量子核のパワーを理論的に特徴付け,大域的非分極ノイズ下での入力データの違いにより,雑音量子核が推定する最適仮説の予測が一定の値にほぼ集中することを示す。
特に, 量子ノイズの強度, トレーニングサンプルのサイズ, 量子ビット数, 量子ノイズの影響を受ける層数, および計測ショット数の観点から, 収束速度を記述する。
その結果,一般化誤差が小さい場合でも,ノイズにより量子カーネル手法は予測能力に乏しいものとなりうることがわかった。
したがって,量子計算にノイズのある量子カーネル法を用いるための重要な警告を与えるとともに,量子の利点を達成するための実用的な量子カーネルアルゴリズムを開発する際に,理論的な結果がガイドラインとなる。
関連論文リスト
- 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) - Fighting noise with noise: a stochastic projective quantum eigensolver [0.0]
本稿では,量子状態の必要なサンプリングにおいて,物理観測値の2次低減につながる新しい手法を提案する。
この方法は、量子デバイス上の一般化学のための励起状態計算やシミュレーションに応用できる。
論文 参考訳(メタデータ) (2023-06-26T09:22:06Z) - Universal cost bound of quantum error mitigation based on quantum
estimation theory [0.0]
本稿では,量子推定理論に基づいて,様々な量子誤差低減手法のコストを統一的に分析する手法を提案する。
我々は,観測可能な観測値の偏りのない推定値が,測定コストの低い回路深さで指数関数的な成長に遭遇する,幅広い種類のマルコフ雑音下での汎用量子回路を導出する。
本研究は,量子誤り軽減技術の物理的限界の理解に寄与し,量子エラー軽減技術の性能を評価するための新しい基準を提供する。
論文 参考訳(メタデータ) (2022-08-19T15:04:36Z) - 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) - Circuit Symmetry Verification Mitigates Quantum-Domain Impairments [69.33243249411113]
本稿では,量子状態の知識を必要とせず,量子回路の可換性を検証する回路指向対称性検証を提案する。
特に、従来の量子領域形式を回路指向安定化器に一般化するフーリエ時間安定化器(STS)手法を提案する。
論文 参考訳(メタデータ) (2021-12-27T21:15:35Z) - Efficient criteria of quantumness for a large system of qubits [58.720142291102135]
大規模部分量子コヒーレント系の基本パラメータの無次元結合について論じる。
解析的および数値計算に基づいて、断熱進化中の量子ビット系に対して、そのような数を提案する。
論文 参考訳(メタデータ) (2021-08-30T23:50:05Z) - Perturbative quantum simulation [2.309018557701645]
2つのアプローチの相補的な強度を組み合わせた摂動量子シミュレーションを導入する。
量子プロセッサの使用により、解決可能な未摂動ハミルトニアンを特定する必要がなくなる。
我々は、異なる位相におけるボソン、フェルミオン、量子スピンの相互作用法を数値的にベンチマークする。
論文 参考訳(メタデータ) (2021-06-10T17:38:25Z) - Towards understanding the power of quantum kernels in the NISQ era [79.8341515283403]
量子カーネルの利点は,大規模データセット,計測回数の少ないもの,システムノイズなどにおいて消失することを示した。
我々の研究は、NISQデバイス上で量子優位性を得るための先進量子カーネルの探索に関する理論的ガイダンスを提供する。
論文 参考訳(メタデータ) (2021-03-31T02:41:36Z) - Robustness Verification of Quantum Classifiers [1.3534683694551501]
我々は、雑音に対する量子機械学習アルゴリズムの検証と解析のための正式なフレームワークを定義する。
堅牢な境界が導出され、量子機械学習アルゴリズムが量子トレーニングデータに対して堅牢であるか否かを確認するアルゴリズムが開発された。
我々のアプローチはGoogleのQuantum分類器に実装されており、ノイズの小さな乱れに関して量子機械学習アルゴリズムの堅牢性を検証することができる。
論文 参考訳(メタデータ) (2020-08-17T11:56:23Z)
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。