論文の概要: Quantum machine learning with indefinite causal order

• arxiv url: http://arxiv.org/abs/2403.03533v1
• Date: Wed, 6 Mar 2024 08:22:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 15:44:14.330125
• Title: Quantum machine learning with indefinite causal order
• Title（参考訳）: 不確定因果順序による量子機械学習
• Authors: Nannan Ma, P. Z. Zhao, Jiangbin Gong
• Abstract要約: 従来の量子機械学習回路では、入力パラメータを符号化する量子ゲートは一定の順序で構築されている。 量子機械学習に不確定因果順序を導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In a conventional circuit for quantum machine learning, the quantum gates used to encode the input parameters and the variational parameters are constructed with a fixed order. The resulting output function, which can be expressed in the form of a restricted Fourier series, has limited flexibility in the distributions of its Fourier coefficients. This indicates that a fixed order of quantum gates can limit the performance of quantum machine learning. Building on this key insight (also elaborated with examples), we introduce indefinite causal order to quantum machine learning. Because the indefinite causal order of quantum gates allows for the superposition of different orders, the performance of quantum machine learning can be significantly enhanced. Considering that the current accessible quantum platforms only allow to simulate a learning structure with a fixed order of quantum gates, we reform the existing simulation protocol to implement indefinite causal order and further demonstrate the positive impact of indefinite causal order on specific learning tasks. Our results offer useful insights into possible quantum effects in quantum machine learning.
• Abstract（参考訳）: 量子機械学習の従来の回路では、入力パラメータと変分パラメータを符号化する量子ゲートが一定の順序で構築されている。 その結果得られる出力関数は、制限されたフーリエ級数の形で表現できるが、フーリエ係数の分布の柔軟性は限られている。 これは、量子ゲートの固定順序が量子機械学習の性能を制限することを示唆している。 この重要な洞察(例も詳述)に基づいて、量子機械学習に無期限因果順序を導入する。 量子ゲートの不明確な因果順序は異なる順序の重ね合わせを可能にするため、量子機械学習の性能は著しく向上することができる。 現在利用可能な量子プラットフォームが、量子ゲートの一定の順序で学習構造をシミュレートすることしかできないことを考慮し、既存のシミュレーションプロトコルを改訂し、不定因果順序を実装し、さらに特定の学習タスクに対する不定因果順序の影響を実証する。 我々の結果は量子機械学習における量子効果の可能性に関する有用な洞察を提供する。

関連論文リスト

• 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)
• Single-shot quantum machine learning [0.3277163122167433]
  我々は、量子学習モデルがほぼ決定論的に予測を生成できる時期を分析する。 量子学習モデルがほぼ決定論的である程度は、埋め込み量子状態の識別可能性によって制約されることを示す。 我々は、量子学習モデルは汎用的な方法で単発ではあり得ず、同時に訓練可能であることを示して結論付けた。
  論文  参考訳（メタデータ） (2024-06-19T20:17:18Z)
• Quantum Information Processing with Molecular Nanomagnets: an introduction [49.89725935672549]
  本稿では,量子情報処理の導入について紹介する。 量子アルゴリズムを理解し設計するための基本的なツールを紹介し、分子スピンアーキテクチャ上での実際の実現を常に言及する。 分子スピンキュートハードウェア上で提案および実装された量子アルゴリズムの例を示す。
  論文  参考訳（メタデータ） (2024-05-31T16:43:20Z)
• Universal Quantum Computation via Superposed Orders of Single-Qubit Gates [7.796917261490019]
  我々は、任意の2量子ビット制御量子ゲートが決定論的に実現可能であることを証明した。 単一量子ビットゲートの重畳順序は、普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2023-11-22T19:10:57Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Quantum process tomography of continuous-variable gates using coherent states [49.299443295581064]
  ボソニックモード超伝導回路におけるコヒーレント状態量子プロセストモグラフィ(csQPT)の使用を実証する。 符号化量子ビット上の変位とSNAP演算を用いて構築した論理量子ゲートを特徴付けることにより,本手法の結果を示す。
  論文  参考訳（メタデータ） (2023-03-02T18:08:08Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• Mitigating Quantum Errors via Truncated Neumann Series [10.04862322536857]
  本稿では,量子ゲートと測定誤差を緩和し,量子期待値を計算する統一的なフレームワークを提案する。 基本的な考え方は、異なる順序の量子エラーを線形に組み合わせることで、その逆を近似することで量子エラーの効果をキャンセルすることである。 我々は、異なる量子エラーに対してこの枠組みを検証し、計算精度が大幅に改善されていることを確認する。
  論文  参考訳（メタデータ） (2021-11-01T04:16:49Z)
• Quantum Data Compression and Quantum Cross Entropy [0.0]
  量子クロスエントロピーが準最適量子源符号化の圧縮速度として働くことを示す。 これは量子クロスエントロピーが量子機械学習アルゴリズムの損失関数として効果的に機能することを明らかにする。
  論文  参考訳（メタデータ） (2021-06-25T18:00:33Z)
• Trainable Discrete Feature Embeddings for Variational Quantum Classifier [4.40450723619303]
  我々は、QRAC(Quantum Random Access Coding)を用いて、より少ない量子ビットで離散的な特徴をマップする方法を示す。 QRACと最近提案された量子量学習(quantum metric learning)と呼ばれる量子特徴マップのトレーニング戦略を組み合わせることで、個別の特徴をトレーニング可能な量子回路に埋め込む新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-17T12:02:01Z)

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。