論文の概要: Big data applications on small quantum computers

• arxiv url: http://arxiv.org/abs/2402.01529v1
• Date: Fri, 2 Feb 2024 16:15:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-05 14:28:44.746217
• Title: Big data applications on small quantum computers
• Title（参考訳）: 小さな量子コンピュータ上のビッグデータ応用
• Authors: Boniface Yogendran, Daniel Charlton, Miriam Beddig, Ioannis Kolotouros, and Petros Wallden
• Abstract要約: コアセットは大きなデータセットの簡潔な記述を可能にし、計算タスクにおけるそのソリューションは、元のデータセットのソリューションと競合する。 本稿では,3種類の古典的機械学習問題,すなわちDivisive Clustering, 3-means Clustering, Gaussian Model Clusteringに適用する。 提案手法は古典的解法に匹敵する性能を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current quantum hardware prohibits any direct use of large classical datasets. Coresets allow for a succinct description of these large datasets and their solution in a computational task is competitive with the solution on the original dataset. The method of combining coresets with small quantum computers to solve a given task that requires a large number of data points was first introduced by Harrow [arXiv:2004.00026]. In this paper, we apply the coreset method in three different well-studied classical machine learning problems, namely Divisive Clustering, 3-means Clustering, and Gaussian Mixture Model Clustering. We provide a Hamiltonian formulation of the aforementioned problems for which the number of qubits scales linearly with the size of the coreset. Then, we evaluate how the variational quantum eigensolver (VQE) performs on these problems and demonstrate the practical efficiency of coresets when used along with a small quantum computer. We perform noiseless simulations on instances of sizes up to 25 qubits on CUDA Quantum and show that our approach provides comparable performance to classical solvers.
• Abstract（参考訳）: 現在の量子ハードウェアは、大規模な古典的データセットの直接使用を禁止している。 コアセットはこれらの大きなデータセットの簡潔な説明を可能にし、計算タスクにおけるそれらのソリューションは、元のデータセットのソリューションと競合する。 コアセットを小さな量子コンピュータと組み合わせて、大量のデータポイントを必要とするタスクを解く方法は、最初にHarrow [arXiv:2004.00026] によって導入された。 本稿では,コアセット法を,分割クラスタリング,3次元クラスタリング,ガウス混合モデルクラスタリングという3つのよく研究された古典的機械学習問題に適用する。 量子ビットの数がコアセットのサイズに比例して線形にスケールする上記の問題のハミルトニアン定式化を提供する。 次に, 変動量子固有解法 (VQE) がこれらの問題に対してどのように作用するかを評価し, 小さな量子コンピュータとともにコアセットの実用的効率を示す。 CUDA量子上で最大25量子ビットのインスタンス上でノイズレスシミュレーションを行い、従来の解法に匹敵する性能を示すことを示す。

関連論文リスト

• 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)
• Multimodal deep representation learning for quantum cross-platform verification [60.01590250213637]
  初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。 本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。 我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
  論文  参考訳（メタデータ） (2023-11-07T04:35:03Z)
• 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)
• Accelerating the training of single-layer binary neural networks using the HHL quantum algorithm [58.720142291102135]
  Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。 しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
  論文  参考訳（メタデータ） (2022-10-23T11:58:05Z)
• Variational Quantum and Quantum-Inspired Clustering [0.0]
  本稿では,変動量子回路に基づくクラスタリングのための量子アルゴリズムを提案する。 このアルゴリズムはデータを多くのクラスタに分類することができ、数量子のノイズ中間スケール量子(NISQ)デバイスで容易に実装できる。
  論文  参考訳（メタデータ） (2022-06-20T17:02:19Z)
• Performance analysis of coreset selection for quantum implementation of K-Means clustering algorithm [15.84585517821099]
  コアセットの選択は、精度を損なうことなく、入力データのサイズを減らすことを目的としている。 近年の研究では、コアセットの選択が量子K平均クラスタリング問題の実装に役立つことが示されている。 本稿では,2つのコアセット手法の相対的性能と,各ケースにおけるコアセット構成のサイズを比較した。 また、分極量子ノイズとビットフリップ誤差の影響について検討し、ノイズ効果を上回る量子オートエンコーダ法を実装した。
  論文  参考訳（メタデータ） (2022-06-16T00:01:48Z)
• Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
  本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。 この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2022-04-18T21:45:13Z)
• Practical Quantum K-Means Clustering: Performance Analysis and Applications in Energy Grid Classification [0.0]
  ノイズの多いハードウェアによる落とし穴を回避するために,量子$k$-meansクラスタリングの汎用的で競争的で並列化されたバージョンを提案する。 実世界のドイツの電力グリッドデータを用いて、従来のアルゴリズムのラベル付けに関して、新しい手法は標準量子$k$-meansクラスタリングのバランスの取れた精度を67.8%向上させることを示した。
  論文  参考訳（メタデータ） (2021-12-15T22:10:51Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• Coreset Clustering on Small Quantum Computers [3.4075213885825377]
  Harrow氏の最近の研究は、ハイブリッド量子古典計算における新しいパラダイムを導入している。 このパラダイムを用いて、短期量子コンピュータ上で$k$-meansクラスタリングを行う。 私たちは、コアセットとQAOAの両方がうまく機能するデータセットを見つけます。
  論文  参考訳（メタデータ） (2020-04-30T17:19:19Z)
• Small quantum computers and large classical data sets [2.8174125805742416]
  本稿では,大規模古典データセット X とモデル Y の空間に関する問題に対して,ハイブリッド古典量子アルゴリズムを提案する。 これらのアルゴリズムは、X の重み付き部分集合を構成するためにデータ還元技術を使用し、各モデルにほぼ同じ損失をもたらすコアセットである。 具体的な応用としては、k平均クラスタリング、論理回帰、ゼロサムゲーム、ブースティングなどがある。
  論文  参考訳（メタデータ） (2020-03-31T18:00:16Z)

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。