論文の概要: Explainable Classification Techniques for Quantum Dot Device Measurements
- arxiv url: http://arxiv.org/abs/2402.13699v3
- Date: Tue, 7 May 2024 10:50:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-08 19:23:11.171064
- Title: Explainable Classification Techniques for Quantum Dot Device Measurements
- Title(参考訳): 量子ドットデバイス測定のための説明可能な分類法
- Authors: Daniel Schug, Tyler J. Kovach, M. A. Wolfe, Jared Benson, Sanghyeok Park, J. P. Dodson, J. Corrigan, M. A. Eriksson, Justyna P. Zwolak,
- Abstract要約: 本稿では,説明可能な特徴を生かした合成データに基づく手法を提案する。
本稿では, 説明可能なブースティングマシン (EBM) を用いて, 精度を犠牲にすることなく, より優れた説明性を提供することを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the physical sciences, there is an increased need for robust feature representations of image data: image acquisition, in the generalized sense of two-dimensional data, is now widespread across a large number of fields, including quantum information science, which we consider here. While traditional image features are widely utilized in such cases, their use is rapidly being supplanted by Neural Network-based techniques that often sacrifice explainability in exchange for high accuracy. To ameliorate this trade-off, we propose a synthetic data-based technique that results in explainable features. We show, using Explainable Boosting Machines (EBMs), that this method offers superior explainability without sacrificing accuracy. Specifically, we show that there is a meaningful benefit to this technique in the context of quantum dot tuning, where human intervention is necessary at the current stage of development.
- Abstract(参考訳): 物理科学では、画像データのロバストな特徴表現の必要性が高まっており、画像取得は2次元データの一般化された意味で、現在、量子情報科学を含む多くの分野に広がっている。
このような場合、従来の画像の特徴は広く活用されているが、その利用はニューラルネットワークベースの技術によって急速に置き換えられ、高い精度と引き換えに説明責任を犠牲にしている。
このトレードオフを改善するために、我々は、説明可能な特徴をもたらす合成データベースの手法を提案する。
本稿では, 説明可能なブースティングマシン (EBM) を用いて, 精度を犠牲にすることなく, より優れた説明性を提供することを示す。
具体的には、現段階での人間の介入が必要とされる量子ドットチューニングの文脈において、この手法には有意義な利点があることを示す。
関連論文リスト
- Neural network based deep learning analysis of semiconductor quantum dot qubits for automated control [0.0]
本稿では,機械学習,特に畳み込みニューラルネットワーク(CNN)を用いた新しい手法を提案する。
注目すべきは、私たちのCNNは、ホッピング定数の変動を含む、サイト固有の障害をHubbardパラメータで処理できることです。
我々のアプローチでは、同時に5つ以上の量子ドットのチューニングが可能になり、しばしば見過ごされるクロストークの問題に効果的に対処できる。
論文 参考訳(メタデータ) (2024-05-07T17:56:12Z) - Read Pointer Meters in complex environments based on a Human-like
Alignment and Recognition Algorithm [16.823681016882315]
これらの問題を克服するための人間ライクなアライメントと認識アルゴリズムを提案する。
STM(Spatial Transformed Module)は,画像のフロントビューを自己自律的に取得するために提案される。
VAM(Value Acquisition Module)は、エンドツーエンドのトレーニングフレームワークによって正確なメーター値を推測するために提案される。
論文 参考訳(メタデータ) (2023-02-28T05:37:04Z) - Dynamical learning of a photonics quantum-state engineering process [48.7576911714538]
実験的な高次元量子状態の工学は、いくつかの量子情報プロトコルにとって重要な課題である。
我々は、フォトニック軌道Angular Momentum(OAM)ステートを設計するための自動適応最適化プロトコルを実装した。
このアプローチは、量子情報プロトコルや技術のためのノイズの多い実験タスクを自動最適化するための強力なツールである。
論文 参考訳(メタデータ) (2022-01-14T19:24:31Z) - ORQVIZ: Visualizing High-Dimensional Landscapes in Variational Quantum
Algorithms [51.02972483763309]
変分量子アルゴリズム(VQA)は、量子コンピュータの実用的な応用を見つけるための有望な候補である。
この作業には、オープンソースのPythonパッケージである$textitorqviz$のリリースが伴っている。
論文 参考訳(メタデータ) (2021-11-08T18:17:59Z) - Post-Training Quantization for Vision Transformer [85.57953732941101]
本稿では,視覚変換器のメモリ記憶量と計算コストを削減するための学習後量子化アルゴリズムを提案する。
約8ビット量子化を用いて、ImageNetデータセット上でDeiT-Bモデルを用いて81.29%のトップ-1の精度を得ることができる。
論文 参考訳(メタデータ) (2021-06-27T06:27:22Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳(メタデータ) (2021-06-24T15:58:57Z) - A Quantum Convolutional Neural Network on NISQ Devices [0.9831489366502298]
本稿では,畳み込みニューラルネットワークに着想を得た量子畳み込みニューラルネットワークを提案する。
我々のモデルは、画像認識タスクの特定のノイズに対して堅牢である。
これは、ビッグデータ時代の情報を処理するために、量子パワーを活用する可能性を開く。
論文 参考訳(メタデータ) (2021-04-14T15:07:03Z) - Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。
シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。
これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
論文 参考訳(メタデータ) (2020-09-28T17:21:25Z) - RegQCNET: Deep Quality Control for Image-to-template Brain MRI Affine
Registration [0.44533271775957767]
コンパクトな3D畳み込みニューラルネットワーク(CNN)を導入し、アフィン登録ミスマッチの振幅を定量的に予測する。
提案したRegQCNETのロバスト性は、まず様々な空間変換を模擬したライフスパン脳画像に基づいて解析される。
その結果,提案したディープラーニングQCは,処理パイプラインにおけるアフィン登録誤差を推定するために,堅牢で高速かつ高精度であることがわかった。
論文 参考訳(メタデータ) (2020-05-14T09:27:24Z) - Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。
この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。
我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文 参考訳(メタデータ) (2020-01-15T18:36:53Z)
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。