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
- Variational data encoding and correlations in quantum-enhanced machine
learning [2.436161840735876]
我々は,古典的データを量子状態に変換するための効果的な符号化プロトコルを開発した。
また、量子加速を妨げる必然的なノイズに対処する必要性にも対処する。
機械学習から学習の概念を適用することで、学習可能なプロセスを符号化するデータを描画する。
論文 参考訳(メタデータ) (2023-12-13T07:55:57Z) - Quantum-Assisted Simulation: A Framework for Designing Machine Learning
Models in the Quantum Computing Domain [0.0]
量子コンピューティングの歴史を探求し、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。
機械学習と量子機械学習の両方を用いて,データセット上でシミュレーションを行った。
論文 参考訳(メタデータ) (2023-11-17T07:33:42Z) - Probabilistic Sampling of Balanced K-Means using Adiabatic Quantum
Computing [99.34965725525188]
AQC(Adiabatic quantum computing)は、NP-hard最適化問題に対する有望な量子コンピューティング手法である。
本研究では,この情報を確率的バランスの取れたk平均クラスタリングに活用する可能性について検討する。
最適でない解を捨てる代わりに, 計算コストを少なくして, 校正後部確率を計算することを提案する。
論文 参考訳(メタデータ) (2023-10-18T17:59:45Z) - 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) - Exponential advantage on noisy quantum computers [14.696562359310303]
NISQ-TDAは、任意の古典的データに対する指数的高速化を証明可能な量子機械学習アルゴリズムである。
我々は,このアルゴリズムが雑音に対して頑健であることを実証的に確認し,目標深度と雑音レベルを提供し,短期的,非フォールト耐性の量子的優位性を実現する。
論文 参考訳(メタデータ) (2022-09-19T22:45:00Z) - 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) - An Application of Quantum Annealing Computing to Seismic Inversion [55.41644538483948]
小型地震インバージョン問題を解決するために,D波量子アニールに量子アルゴリズムを適用した。
量子コンピュータによって達成される精度は、少なくとも古典的コンピュータと同程度である。
論文 参考訳(メタデータ) (2020-05-06T14:18:44Z)
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。