論文の概要: Quantum Machine Learning With a Limited Number Of Qubits
- arxiv url: http://arxiv.org/abs/2403.14406v1
- Date: Thu, 21 Mar 2024 13:56:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-22 14:09:01.265588
- Title: Quantum Machine Learning With a Limited Number Of Qubits
- Title(参考訳): 量子機械学習の量子ビット数制限
- Authors: Stian Bilek,
- Abstract要約: 本研究では,特定の量子状態や観測可能値に対して,期待値の簡易な測定を行うことにより,この手法を実現することができることを示す。
このアプローチは量子機械学習の領域、特に桁データセットで実証された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum circuit partitioning is a hybrid quantum-classical approach that aims to simulate large quantum systems on smaller quantum computers. The quantum computation is divided into smaller circuits and results of measurements on these circuits are combined using classical processing. Current approaches involve performing the Hadamard test or SWAP test and thus require an ancillary qubit with full qubit-connectivity. In this study, we show that for certain quantum states and observables, the approach can be realized by performing simple measurements of expectation values. However, this comes with a limitation on the applicable space of quantum states and observables. The approach was demonstrated in the realm of quantum machine learning, specifically to the digits dataset. When applied to the classification between the digits 3 and 6, we were able to generalize to out-of-sample data with an accuracy of $100 \%$.
- Abstract(参考訳): 量子回路分割(Quantum circuit partitioning)は、小さな量子コンピュータ上の大規模量子システムをシミュレートすることを目的としたハイブリッド量子古典的アプローチである。
量子計算はより小さな回路に分割され、これらの回路上での測定結果は古典的な処理で組み合わせられる。
現在のアプローチでは、アダマールテストやSWAPテストが実施され、従って完全な量子ビット接続性を持つ補助量子ビットが必要となる。
本研究では,特定の量子状態や観測可能値に対して,期待値の簡単な測定を行うことで,そのアプローチを実現することができることを示す。
しかし、これは量子状態と可観測物の適用空間に制限が伴う。
このアプローチは量子機械学習の領域、特に桁データセットで実証された。
3 と 6 の分類に適用すると,100 % の精度でサンプル外データを一般化することができた。
関連論文リスト
- A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳(メタデータ) (2024-02-23T14:09:41Z) - 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) - Simple Tests of Quantumness Also Certify Qubits [69.96668065491183]
量子性の検定は、古典的検証者が証明者が古典的でないことを(のみ)証明できるプロトコルである。
我々は、あるテンプレートに従う量子性のテストを行い、(Kalai et al., 2022)のような最近の提案を捉えた。
すなわち、同じプロトコルは、証明可能なランダム性や古典的な量子計算のデリゲートといったアプリケーションの中心にあるビルディングブロックであるqubitの認定に使用できる。
論文 参考訳(メタデータ) (2023-03-02T14:18:17Z) - Anticipative measurements in hybrid quantum-classical computation [68.8204255655161]
量子計算を古典的な結果によって補う手法を提案する。
予測の利点を生かして、新しいタイプの量子測度がもたらされる。
予測量子測定では、古典計算と量子計算の結果の組み合わせは最後にのみ起こる。
論文 参考訳(メタデータ) (2022-09-12T15:47:44Z) - Quantum variational learning for entanglement witnessing [0.0]
この研究は量子アルゴリズムの潜在的な実装に焦点を当て、$n$ qubitsの単一レジスタ上で定義された量子状態を適切に分類することができる。
我々は「絡み合いの証人」という概念、すなわち、特定の特定の状態が絡み合うものとして識別できる期待値を持つ演算子を利用する。
我々は,量子ニューラルネットワーク(QNN)を用いて,絡み合いの目撃者の行動を再現する方法をうまく学習した。
論文 参考訳(メタデータ) (2022-05-20T20:14:28Z) - Data compression for quantum machine learning [2.119778346188635]
量子コンピュータで使用する古典的データを効率よく圧縮・ロードする問題に対処する。
提案手法により,必要量子ビット数と量子回路の深さを調整できる。
論文 参考訳(メタデータ) (2022-04-24T03:03:14Z) - Efficient criteria of quantumness for a large system of qubits [58.720142291102135]
大規模部分量子コヒーレント系の基本パラメータの無次元結合について論じる。
解析的および数値計算に基づいて、断熱進化中の量子ビット系に対して、そのような数を提案する。
論文 参考訳(メタデータ) (2021-08-30T23:50:05Z) - Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。
演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
論文 参考訳(メタデータ) (2021-01-21T22:18:49Z) - VSQL: Variational Shadow Quantum Learning for Classification [6.90132007891849]
我々は,変分影量子学習と呼ぶ教師付き量子学習のための新しいハイブリッド量子古典フレームワークを提案する。
まず,変分影量子回路を用いて古典的特徴を畳み込みで抽出し,完全連結ニューラルネットワークを用いて分類タスクを完了させる。
本手法は,パラメータ数を著しく削減し,量子回路トレーニングをより容易に行うことができることを示す。
論文 参考訳(メタデータ) (2020-12-15T13:51:01Z) - Maximal entropy approach for quantum state tomography [3.6344381605841187]
現在の量子コンピューティングデバイスは、ノイズの多い中間スケール量子$(NISQ$)$デバイスである。
量子トモグラフィーは、観測可能な完全な集合によって量子系の密度行列を再構築しようとする。
本稿では、未知の可観測物の値を予測するために、最大情報エントロピーに基づく量子トモグラフィーの代替手法を提案する。
論文 参考訳(メタデータ) (2020-09-02T04:39:45Z) - Quantum embeddings for machine learning [5.16230883032882]
量子分類器は、機械学習モデルとして使用されるトレーニング可能な量子回路である。
我々は、ヒルベルト空間におけるデータクラスを最大限に分離することを目的として、回路の最初の部分(埋め込み)を訓練することを提案する。
このアプローチは量子機械学習のための強力な分析フレームワークを提供する。
論文 参考訳(メタデータ) (2020-01-10T19:00:01Z)
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。