論文の概要: Non-Hemolytic Peptide Classification Using A Quantum Support Vector Machine

• arxiv url: http://arxiv.org/abs/2402.03847v1
• Date: Tue, 6 Feb 2024 09:50:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 15:32:15.818810
• Title: Non-Hemolytic Peptide Classification Using A Quantum Support Vector Machine
• Title（参考訳）: 量子支援ベクトルマシンを用いた非溶血ペプチドの分類
• Authors: Shengxin Zhuang, John Tanner, Yusen Wu, Du Q. Huynh, Wei Liu Xavier F. Cadet, Nicolas Fontaine, Philippe Charton, Cedric Damour, Frederic Cadet, Jingbo Wang
• Abstract要約: データが古典的な性質であるときに量子的優位性が存在するかどうかは不明である。 この研究は、計算生物学の分野における量子上の優位性を検証するための道を開いた。
• 参考スコア（独自算出の注目度）: 4.573774555094676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum machine learning (QML) is one of the most promising applications of quantum computation. However, it is still unclear whether quantum advantages exist when the data is of a classical nature and the search for practical, real-world applications of QML remains active. In this work, we apply the well-studied quantum support vector machine (QSVM), a powerful QML model, to a binary classification task which classifies peptides as either hemolytic or non-hemolytic. Using three peptide datasets, we apply and contrast the performance of the QSVM, numerous classical SVMs, and the best published results on the same peptide classification task, out of which the QSVM performs best. The contributions of this work include (i) the first application of the QSVM to this specific peptide classification task, (ii) an explicit demonstration of QSVMs outperforming the best published results attained with classical machine learning models on this classification task and (iii) empirical results showing that the QSVM is capable of outperforming many (and possibly all) classical SVMs on this classification task. This foundational work paves the way to verifiable quantum advantages in the field of computational biology and facilitates safer therapeutic development.
• Abstract（参考訳）: 量子機械学習(QML)は、量子計算の最も有望な応用の1つである。 しかし、データが古典的な性質を持ち、QMLの実用的な実世界の応用を探す際に量子的優位性が存在するかどうかはまだ不明である。 本研究では,QMLモデルである量子支援ベクトルマシン(QSVM)を,ペプチドを溶血性または非溶血性のいずれかに分類する二項分類タスクに適用する。 3つのペプチドデータセットを用いて、QSVMの性能、多くの古典的なSVM、そして、QSVMが最高に機能する同一のペプチド分類タスクに関する最も優れた結果を適用し、比較する。 この作品の貢献には i) この特定のペプチド分類タスクへのQSVMの最初の適用。 (ii)この分類課題において古典的機械学習モデルで得られた最良の結果よりも優れたqsvmの明示的な実証と, (iii)qsvmは、この分類タスクにおいて、多くの(おそらくすべての)古典的svmを上回ることができることを示す実証的な結果である。 この基礎研究は、計算生物学の分野で検証可能な量子長所への道を開き、より安全な治療開発を促進する。

関連論文リスト

• Evaluating the Impact of Different Quantum Kernels on the Classification Performance of Support Vector Machine Algorithm: A Medical Dataset Application [0.0]
  本研究では,QSVM-カーネルアルゴリズムを用いて,特徴マッピング手法が医療データ分類結果に与える影響について検討する。 その結果,最高の分類性能は,分類性能と総実行時間の両方で達成されたことがわかった。 本研究の貢献は, 特徴マッピング技術が医療データ分類結果に与える影響を明らかにすることである。
  論文  参考訳（メタデータ） (2024-07-13T15:53:37Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• Classical-to-Quantum Transfer Learning Facilitates Machine Learning with Variational Quantum Circuit [62.55763504085508]
  本稿では,変分量子回路(VQC)を用いた古典的量子移動学習アーキテクチャにより,VQCモデルの表現と一般化(推定誤差)が向上することを証明する。 古典-量子遷移学習のアーキテクチャは、事前学習された古典的生成AIモデルを活用し、訓練段階におけるVQCの最適パラメータの発見を容易にする。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Implications of Deep Circuits in Improving Quality of Quantum Question Answering [0.0]
  SelQA (Selection-based Question Answering) データセットの2つのクラスから質問分類を行った。 また、これらの分類結果を独自のルールベースのQAシステムで利用し、大幅な性能向上を観察する。
  論文  参考訳（メタデータ） (2023-05-12T10:52:13Z)
• Boosted Ensembles of Qubit and Continuous Variable Quantum Support Vector Machines for B Meson Flavour Tagging [0.7232471205719458]
  量子機械学習手法をB中間子タギングに適用する。 従来の量子ビットベースおよび連続変数アーキテクチャに基づく量子支援ベクトルマシンの高速化アンサンブルをシミュレートする。 古典的にシミュレート可能な状態を超えた連続変数QSVMが、さらに高い性能を実現することが可能であることを示す。
  論文  参考訳（メタデータ） (2023-05-04T11:04:06Z)
• A Single-Step Multiclass SVM based on Quantum Annealing for Remote Sensing Data Classification [26.80167258721593]
  本研究は,QMSVM(Quantum Multiclass SVM)と呼ばれる,量子アニールに基づく直接多クラス分類のための新しい量子SVMを提案する。 この研究の主な目的は、このアプローチの実現可能性、正確性、および時間性能を評価することである。 リモートセンシングデータの分類問題に対するD-Wave Advantage 量子アニールを用いた実験が実施されている。
  論文  参考訳（メタデータ） (2023-03-21T09:51:19Z)
• Quantum Machine Learning Applied to the Classification of Diabetes [0.0]
  ハイブリッド量子メソッドは、デプロイと最適化に非常に適しています。 弱点として、量子コンピューティングはそのポテンシャルを正当化するのに十分な量子ビットを持っていない。
  論文  参考訳（メタデータ） (2022-12-31T03:43:07Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Quantum circuit architecture search on a superconducting processor [56.04169357427682]
  変分量子アルゴリズム(VQA)は、ファイナンス、機械学習、化学といった様々な分野において、証明可能な計算上の優位性を得るための強力な証拠を示している。 しかし、現代のVQAで利用されるアンザッツは、表現性と訓練性の間のトレードオフのバランスをとることができない。 8量子ビット超伝導量子プロセッサ上でVQAを強化するために,効率的な自動アンサッツ設計技術を適用した最初の実証実験を実証する。
  論文  参考訳（メタデータ） (2022-01-04T01:53:42Z)
• Quantum Approximate Optimization Algorithm Based Maximum Likelihood Detection [80.28858481461418]
  量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。 量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。
  論文  参考訳（メタデータ） (2021-07-11T10:56:24Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。