論文の概要: Fermionic Machine Learning

• arxiv url: http://arxiv.org/abs/2404.19032v2
• Date: Mon, 9 Sep 2024 16:30:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-11 02:42:12.666566
• Title: Fermionic Machine Learning
• Title（参考訳）: フェルミオン型機械学習
• Authors: Jérémie Gince, Jean-Michel Pagé, Marco Armenta, Ayana Sarkar, Stefanos Kourtis,
• Abstract要約: フェミオン量子計算に基づく機械学習フレームワークであるフェミオン型機械学習(FermiML)を紹介する。 FermiMLは、任意の量子機械学習(QML)モデルのフェルミオン系モデルを構築することができる。 我々は、FermiMLが以前QMLメソッドにアクセスできなかったレシシシを探索する上で、どのように役立つかを示す。
• 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: We introduce fermionic machine learning (FermiML), a machine learning framework based on fermionic quantum computation. FermiML models are expressed in terms of parameterized matchgate circuits, a restricted class of quantum circuits that map exactly to systems of free Majorana fermions. The FermiML framework allows for building fermionic counterparts of any quantum machine learning (QML) model based on parameterized quantum circuits, including models that produce highly entangled quantum states. Importantly, matchgate circuits are efficiently simulable classically, thus rendering FermiML a flexible framework for utility benchmarks of QML methods on large real-world datasets. We initiate the exploration of FermiML by benchmarking it against unrestricted PQCs in the context of classification with random quantum kernels. Through experiments on standard datasets (Digits and Wisconsin Breast Cancer), we demonstrate that FermiML kernels are on-par with unrestricted PQC kernels in classification tasks using support-vector machines. Furthermore, we find that FermiML kernels outperform their unrestricted candidates on multi-class classification, including on datasets with several tens of relevant features. We thus show how FermiML enables us to explore regimes previously inaccessible to QML methods.
• Abstract（参考訳）: フェミオン量子計算に基づく機械学習フレームワークであるフェミオン型機械学習(FermiML)を紹介する。 フェルミMLモデルは、自由マヨラナフェルミオンの系に正確にマッピングされる量子回路の制限されたクラスであるパラメータ化マッチゲート回路によって表現される。 FermiMLフレームワークは、パラメータ化された量子回路に基づく任意の量子機械学習(QML)モデルのフェルミオン系を構築することができる。 重要なことは、マッチゲート回路は効率よく古典的にシミュレートできるため、FermiMLは大規模な実世界のデータセット上のQMLメソッドのユーティリティベンチマークのためのフレキシブルなフレームワークである。 我々は、ランダム量子カーネルを用いた分類の文脈において、制限なしのPQCに対してFermiMLをベンチマークすることで、FermiMLの探索を開始する。 標準データセット(Digits と Wisconsin Breast Cancer)の実験を通じて、FermiMLカーネルはサポートベクターマシンを用いた分類タスクにおいて、制限なしのPQCカーネルと同等であることを示した。 さらに、FermiMLカーネルは、数十の関連する機能を持つデータセットを含む、多クラス分類における制限なしの候補よりも優れていることが判明した。 したがって、FermiMLが以前QMLに到達できなかったレシストラクチャを探索する上でどのように役立つかを示す。

関連論文リスト

• Quantum simulation of Fermi-Hubbard model based on transmon qudit interaction [0.0]
  このような複雑さを克服するために、クォーディットを用いた新しい量子シミュレーション手法を導入する。 まず、Qudit Fermionic Mapping (QFM) を実演し、qubit-based approach に関連する符号化コストを削減した。 次に、結果として得られるマヨラナ作用素を物理的一乗および二立方乗ゲートの観点で解釈することで、写像付きハミルトニアンのユニタリ進化を記述する。
  論文  参考訳（メタデータ） (2024-02-02T09:10:40Z)
• Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
  量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。 関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。 量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-21T21:40:47Z)
• Fermionic quantum processing with programmable neutral atom arrays [0.539215791790606]
  多体フェルミオン系の特性をシミュレーションすることは、物質科学、量子化学、粒子物理学に関連する卓越した計算課題である。 本稿では、フェルミオンモデルがフェルミオンレジスタに符号化され、フェルミオンゲートを用いてハードウェア効率よくシミュレートされるフェルミオン量子プロセッサを提案する。
  論文  参考訳（メタデータ） (2023-03-13T10:35:48Z)
• Fermionic approach to variational quantum simulation of Kitaev spin models [50.92854230325576]
  キタエフスピンモデルは、自由フェルミオンへの写像を通じて、あるパラメータ状態において正確に解けることで知られている。 古典的なシミュレーションを用いて、このフェルミオン表現を利用する新しい変分アンザッツを探索する。 また、量子コンピュータ上での非アベリアオンをシミュレートするための結果の意味についてもコメントする。
  論文  参考訳（メタデータ） (2022-04-11T18:00:01Z)
• Analytical and experimental study of center line miscalibrations in M\o lmer-S\o rensen gates [51.93099889384597]
  モルマー・ソレンセンエンタングゲートの誤校正パラメータの系統的摂動展開について検討した。 我々はゲート進化演算子を計算し、関連する鍵特性を得る。 我々は、捕捉されたイオン量子プロセッサにおける測定値に対して、モデルからの予測をベンチマークすることで検証する。
  論文  参考訳（メタデータ） (2021-12-10T10:56:16Z)
• 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)
• The Fermionic Quantum Emulator [0.0]
  フェルミオン量子エミュレータ (FQE) はフェルミオンの量子力学を効率的にエミュレートするためのプロトコルの集合である。 ライブラリはOpenFermionソフトウェアパッケージと完全に統合されており、シミュレーションバックエンドとして機能する。
  論文  参考訳（メタデータ） (2021-04-28T18:01:19Z)
• Fermion Sampling: a robust quantum computational advantage scheme using fermionic linear optics and magic input states [0.0]
  本稿では,FLO(Fermionic Linear Optics)回路を用いて,強硬度保証による量子計算の優位性を示す。 粒子数保存(パッシブ)FLOとフェミオンパリティのみを保持するアクティブFLOの2種類の並列回路を考察する。
  論文  参考訳（メタデータ） (2020-12-31T18:50:34Z)
• Sampling Overhead Analysis of Quantum Error Mitigation: Uncoded vs. Coded Systems [69.33243249411113]
  パウリの誤差は、多数の現実的な量子チャネルの中で最も低いサンプリングオーバーヘッドをもたらすことを示す。 我々はQEMと量子チャネル符号化を併用する手法を考案し、純粋なQEMと比較してサンプリングオーバーヘッドの低減を解析する。
  論文  参考訳（メタデータ） (2020-12-15T15:51:27Z)
• Machine Learning Force Fields [54.48599172620472]
  機械学習(ML)は、計算化学の多くの進歩を可能にした。 最も有望な応用の1つは、MLベースの力場(FF)の構築である。 本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
  論文  参考訳（メタデータ） (2020-10-14T13:14:14Z)
• From entanglement certification with quench dynamics to multipartite entanglement of interacting fermions [0.0]
  我々は、量子フィッシャー情報(QFI)を測定するための実験的にフレンドリーなプロトコルを提案する。 熱状態からのクエンチの後、単純な観測装置の短時間のダイナミクスを記録することに依存している。 これは、ハミルトニアン系を時間的に制御する標準的な冷原子実験やその他のプラットフォームで実装することができる。
  論文  参考訳（メタデータ） (2020-05-06T18:00:58Z)

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。