論文の概要: Classification of the Fashion-MNIST Dataset on a Quantum Computer
- arxiv url: http://arxiv.org/abs/2403.02405v1
- Date: Mon, 4 Mar 2024 19:01:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 17:23:11.117081
- Title: Classification of the Fashion-MNIST Dataset on a Quantum Computer
- Title（参考訳）: 量子コンピュータにおけるファッションMNISTデータセットの分類
- Authors: Kevin Shen, Bernhard Jobst, Elvira Shishenina, Frank Pollmann
- Abstract要約: 古典的なデータを量子コンピュータに符号化する従来の方法は、コストがかかりすぎて、現在のハードウェアで実現可能な実験の規模が制限される。
現在利用可能な量子コンピュータのネイティブゲートセットとトポロジに適合する回路を用いて、符号化されたデータを作成する改良された変分アルゴリズムを提案する。
我々は、現在の量子コンピュータibmq-kolkata上で、符号化データセットに基づいて訓練された単純な量子変分分類器をデプロイし、適度な精度を達成する。
- 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: The potential impact of quantum machine learning algorithms on industrial
applications remains an exciting open question. Conventional methods for
encoding classical data into quantum computers are not only too costly for a
potential quantum advantage in the algorithms but also severely limit the scale
of feasible experiments on current hardware. Therefore, recent works, despite
claiming the near-term suitability of their algorithms, do not provide
experimental benchmarking on standard machine learning datasets. We attempt to
solve the data encoding problem by improving a recently proposed variational
algorithm [1] that approximately prepares the encoded data, using
asymptotically shallow circuits that fit the native gate set and topology of
currently available quantum computers. We apply the improved algorithm to
encode the Fashion-MNIST dataset [2], which can be directly used in future
empirical studies of quantum machine learning algorithms. We deploy simple
quantum variational classifiers trained on the encoded dataset on a current
quantum computer ibmq-kolkata [3] and achieve moderate accuracies, providing a
proof of concept for the near-term usability of our data encoding method.
- Abstract（参考訳）: 量子機械学習アルゴリズムが産業アプリケーションに与える影響は、まだエキサイティングなオープンな疑問だ。
古典的なデータを量子コンピュータにエンコードする従来の手法は、アルゴリズムの潜在的な量子的優位性には高すぎるだけでなく、現在のハードウェアで実現可能な実験の規模を著しく制限する。
したがって、最近の研究はアルゴリズムの短期的適合性を主張しながらも、標準的な機械学習データセットに対する実験的ベンチマークを提供していない。
本研究では,最近提案された変分アルゴリズム[1]の改良により,ネイティブゲート集合と現在利用可能な量子コンピュータのトポロジーに適合する漸近的に浅い回路を用いて,符号化データをほぼ準備する。
改良されたアルゴリズムをファッション・ムニストデータセット[2]のエンコードに適用し、量子機械学習アルゴリズムの今後の実証研究で直接利用できる。
我々は、現在の量子コンピュータ ibmq-kolkata [3] に符号化データセットに基づいて訓練された単純な量子変分分類器をデプロイし、適度な精度を実現し、データ符号化手法の短期的使用性に関する概念実証を提供する。
関連論文リスト
- Training quantum machine learning models on cloud without uploading the data [0.0]
本稿では,入力データを符号化する前にパラメータ化量子回路を動作させる手法を提案する。
これにより、データセット所有者は、量子クラウドプラットフォーム上で機械学習モデルをトレーニングすることができる。
また、後に古典的な計算を用いて大量のデータを効果的に符号化することも可能である。
論文 参考訳（メタデータ） (2024-09-06T20:14:52Z) - 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) - The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。
量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。
この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文 参考訳（メタデータ） (2024-08-19T12:18:07Z) - Quadratic speed-ups in quantum kernelized binary classification [1.3812010983144802]
量子カーネルをデータ間の類似性の尺度として使用するいくつかの量子機械学習アルゴリズムが登場し、量子状態として符号化されたデータセットのバイナリ分類を実行するようになった。
本稿では,QKCに対する新しい量子回路を提案し,量子ビットの数を1つ減らし,サンプルデータに対して回路深さを線形に減らした。
Irisデータセットの数値シミュレーションにより,従来の手法よりも2次的な高速化を検証した。
論文 参考訳（メタデータ） (2024-03-26T07:39:48Z) - Quantum-Assisted Simulation: A Framework for Developing Machine Learning Models in Quantum Computing [0.0]
本稿では、量子コンピューティングの歴史を調査し、既存のQMLアルゴリズムを検証し、QMLアルゴリズムのシミュレーションを作成するための簡易な手順を提案する。
従来の機械学習と量子機械学習の両方のアプローチを用いて、データセット上でシミュレーションを行う。
論文 参考訳（メタデータ） (2023-11-17T07:33:42Z) - Drastic Circuit Depth Reductions with Preserved Adversarial Robustness
by Approximate Encoding for Quantum Machine Learning [0.5181797490530444]
本研究では, 変分, 遺伝的および行列積状態に基づくアルゴリズムを用いて, 符号化画像データを表す量子状態の効率的な作成法を実装した。
その結果、これらの手法は、標準状態準備実装よりも2桁も浅い回路を用いて、QMLに適したレベルにほぼ準備できることが判明した。
論文 参考訳（メタデータ） (2023-09-18T01:49:36Z) - Deep Quantum Error Correction [73.54643419792453]
量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。
本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。
提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
論文 参考訳（メタデータ） (2023-01-27T08:16:26Z) - 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) - Concentration of Data Encoding in Parameterized Quantum Circuits [7.534037755267707]
変分量子アルゴリズムは、有意義なタスクにおいて、短期的な量子アドバンテージを実現するための主要な戦略として認識されている。
本稿では、パラメータ化量子回路に基づく共通データ符号化戦略を考察し、進展する。
妥当な仮定の下では、平均符号化状態と最大混合状態の間の距離が明らかに上界であることが証明できる。
論文 参考訳（メタデータ） (2022-06-16T16:09:40Z) - 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) - Electronic structure with direct diagonalization on a D-Wave quantum
annealer [62.997667081978825]
本研究は、D-Wave 2000Q量子アニール上の分子電子ハミルトニアン固有値-固有ベクトル問題を解くために、一般量子アニール固有解法(QAE)アルゴリズムを実装した。
そこで本研究では,D-Waveハードウェアを用いた各種分子系における基底および電子励起状態の取得について述べる。
論文 参考訳（メタデータ） (2020-09-02T22:46:47Z)
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。