論文の概要: Quantum Circuit $C^*$-algebra Net

• arxiv url: http://arxiv.org/abs/2404.06218v1
• Date: Tue, 9 Apr 2024 11:12:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-10 15:00:05.058465
• Title: Quantum Circuit $C^*$-algebra Net
• Title（参考訳）: 量子回路$C^*$-代数ネット
• Authors: Yuka Hashimoto, Ryuichiro Hataya,
• Abstract要約: 本稿では、機械学習と量子回路で提案される$C*$-algebra net間の接続を提供する量子回路$C*$-algebra netを紹介する。 応用として、量子回路$C*$-algebraネットを用いて古典的なデータを量子状態にエンコードすることで、古典的なデータを量子アルゴリズムに組み込む方法を提案する。
• 参考スコア（独自算出の注目度）: 5.359060261460183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces quantum circuit $C^*$-algebra net, which provides a connection between $C^*$-algebra nets proposed in classical machine learning and quantum circuits. Using $C^*$-algebra, a generalization of the space of complex numbers, we can represent quantum gates as weight parameters of a neural network. By introducing additional parameters, we can induce interaction among multiple circuits constructed by quantum gates. This interaction enables the circuits to share information among them, which contributes to improved generalization performance in machine learning tasks. As an application, we propose to use the quantum circuit $C^*$-algebra net to encode classical data into quantum states, which enables us to integrate classical data into quantum algorithms. Numerical results demonstrate that the interaction among circuits improves performance significantly in image classification, and encoded data by the quantum circuit $C^*$-algebra net are useful for downstream quantum machine learning tasks.
• Abstract（参考訳）: 本稿では、古典的な機械学習と量子回路で提案される$C^*$-algebra net間の接続を提供する量子回路$C^*$-algebra netを紹介する。 複素数の空間の一般化である$C^*$-algebraを用いて、ニューラルネットワークの重みパラメータとして量子ゲートを表現できる。 追加パラメータを導入することで、量子ゲートによって構築された複数の回路間の相互作用を誘導することができる。 この相互作用により、回路は情報を共有することができ、機械学習タスクにおける一般化性能の向上に寄与する。 応用として、量子回路$C^*$-algebra netを用いて古典的なデータを量子状態にエンコードし、古典的なデータを量子アルゴリズムに統合することを提案する。 数値計算の結果,回路間の相互作用により画像分類の性能は著しく向上し,量子回路$C^*$-algebra ネットによる符号化は,下流の量子機械学習タスクに有用であることがわかった。

関連論文リスト

• Quantum Compiling with Reinforcement Learning on a Superconducting Processor [55.135709564322624]
  超伝導プロセッサのための強化学習型量子コンパイラを開発した。 短絡の新規・ハードウェア対応回路の発見能力を示す。 本研究は,効率的な量子コンパイルのためのハードウェアによるソフトウェア設計を実証する。
  論文  参考訳（メタデータ） (2024-06-18T01:49:48Z)
• Quantum Circuit Learning on NISQ Hardware [0.0]
  現在の量子コンピュータは小さく、エラーを起こしやすいシステムである。 フォールトトレラントな量子コンピュータは近い将来は利用できない。 我々は,IBM量子コンピュータ上で最大3キュービットのQCL回路が実行可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-03T13:00:32Z)
• Learning shallow quantum circuits [7.411898489476803]
  未知の$n$-qubit浅量子回路$U$を学習するためのアルゴリズムを提案する。 また、未知の$n$-qubit状態$lvert psi rangle$の記述を学習するための古典的なアルゴリズムも提供する。 提案手法では,局所反転に基づく量子回路表現と,これらの逆変換を組み合わせた手法を用いる。
  論文  参考訳（メタデータ） (2024-01-18T16:05:00Z)
• Analysis of arbitrary superconducting quantum circuits accompanied by a Python package: SQcircuit [0.0]
  超伝導量子回路は、フォールトトレラント量子コンピュータを実現するための有望なハードウェアプラットフォームである。 超伝導量子回路の量子化ハミルトニアンを物理記述から構築する枠組みを開発する。 我々は,オープンソースのPythonパッケージであるSQcircuitで記述した手法を実装した。
  論文  参考訳（メタデータ） (2022-06-16T17:24:51Z)
• 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)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Sample Complexity of Learning Quantum Circuits [4.329298109272386]
  物理量子回路は、経験的リスク最小化により、量子コンピュータ上でPACを学習可能であることを示す。 我々の結果は、理論と実験の両方において量子機械学習のための貴重なガイドを提供する。
  論文  参考訳（メタデータ） (2021-07-19T18:00:04Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)
• QUANTIFY: A framework for resource analysis and design verification of quantum circuits [69.43216268165402]
  QUINTIFYは、量子回路の定量的解析のためのオープンソースのフレームワークである。 Google Cirqをベースにしており、Clifford+T回路を念頭に開発されている。 ベンチマークのため、QUINTIFYは量子メモリと量子演算回路を含む。
  論文  参考訳（メタデータ） (2020-07-21T15:36:25Z)
• On connectivity-dependent resource requirements for digital quantum simulation of $d$-level particles [0.703901004178046]
  一般に使われている量子演算子をトロッタライズするのに必要なSWAPゲートの数について検討する。 結果は、ハードウェアの共同設計や、与えられた短期量子ハードウェアの集合に対する効率的なキューディット符号化の選択に適用できる。
  論文  参考訳（メタデータ） (2020-05-26T22:28:51Z)
• 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。