論文の概要: Quantum Machine Learning: Quantum Kernel Methods

• arxiv url: http://arxiv.org/abs/2405.01780v1
• Date: Thu, 2 May 2024 23:45:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-06 14:15:00.623816
• Title: Quantum Machine Learning: Quantum Kernel Methods
• Title（参考訳）: 量子機械学習:量子カーネル法
• Authors: Sanjeev Naguleswaran,
• Abstract要約: カーネルメソッドは古典的な機械学習において強力で一般的なテクニックである。 量子コンピュータ上でしか効率的に計算できない量子特徴空間を使用することで、量子上の優位性を導出することができる。 データ依存型投影量子カーネルは、古典的カーネルに対して大きな利点をもたらすことが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quantum algorithms based on quantum kernel methods have been investigated previously [1]. A quantum advantage is derived from the fact that it is possible to construct a family of datasets for which, only quantum processing can recognise the intrinsic labelling patterns, while for classical computers the dataset looks like noise. This is due to the algorithm leveraging inherent efficiencies in the computation of logarithms in a cyclic group. The discrete log problem.is a well-known advantage of quantum vs classical computation: where it is possible to generate all the members of the group using a single mathematical operation. Kernel methods are a powerful and popular technique in classical Machine Learning. The use of a quantum feature space that can only be calculated efficiently on a quantum computer potentially allows for deriving a quantum advantage. In this paper, we intend to first describe the application of such a kernel method to a Quantum version of the classical Support Vector Machine (SVM) algorithm to identify conditions under which, a quantum advantage is realised. A data dependent projected quantum kernel was shown to provide significant advantage over classical kernels. Further, we present results of investigations and ideas pertaining to extending the use of quantum kernels as a feature extraction layer in a Convolutional Neural Networks (CNN) that is a widely used architecture in deep-learning applications.
• Abstract（参考訳）: 量子カーネル法に基づく量子アルゴリズムは以前にも研究されてきた[1]。 量子的優位性は、量子処理のみが固有のラベリングパターンを認識することのできるデータセット群を構築することができ、古典的なコンピュータでは、データセットはノイズのように見えるという事実から導かれる。 これは、巡回群における対数の計算に固有の効率性を利用するアルゴリズムが原因である。 離散ログ問題は、量子対古典計算のよく知られた利点であり、単一の数学的演算を用いてグループのすべてのメンバーを生成することができる。 カーネルメソッドは古典的な機械学習において強力で一般的なテクニックである。 量子コンピュータ上でしか効率的に計算できない量子特徴空間を使用することで、量子上の優位性を導出することができる。 本稿では,従来のサポートベクトルマシン(SVM)アルゴリズムの量子バージョンへのそのようなカーネル手法の適用について述べる。 データ依存型投影量子カーネルは、古典的カーネルに対して大きな利点をもたらすことが示されている。 さらに,ディープラーニングアプリケーションにおいて広く用いられているアーキテクチャである畳み込みニューラルネットワーク(CNN)において,量子カーネルを特徴抽出層としての利用を拡大する研究成果について述べる。

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)
• A Kerr kernel quantum learning machine [0.0]
  超伝導量子回路に基づく量子ハードウェアカーネルの実装手法を提案する。 このスキームは量子ビットや量子回路を使用せず、カーモードのアナログ特性を利用する。
  論文  参考訳（メタデータ） (2024-04-02T09:50:33Z)
• Quadratic speed-ups in quantum kernelized binary classification [1.3812010983144802]
  量子カーネルをデータ間の類似性の尺度として使用するいくつかの量子機械学習アルゴリズムが登場し、量子状態として符号化されたデータセットのバイナリ分類を実行するようになった。 本稿では,QKCに対する新しい量子回路を提案し,量子ビットの数を1つ減らし,サンプルデータに対して回路深さを線形に減らした。 Irisデータセットの数値シミュレーションにより,従来の手法よりも2次的な高速化を検証した。
  論文  参考訳（メタデータ） (2024-03-26T07:39:48Z)
• Power Characterization of Noisy Quantum Kernels [52.47151453259434]
  一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。 我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
  論文  参考訳（メタデータ） (2024-01-31T01:02:16Z)
• Quantum-Classical Multiple Kernel Learning [0.0]
  機械学習におけるカーネルメソッドは、将来的にそのような改善を実現することができる分野のひとつだ。 小さくてノイズの多い量子コンピュータは、データの類似性のユニークな概念を捉える古典的なパラメトリック量子カーネルを評価することができる。 我々は、MKL(Multiple kernel)の文脈において、古典、量子量子、量子古典およびQCカーネルのペアワイズ組み合わせを考える。 本手法は,MKL設定における各種測定値の性能向上に有効であることを示す。
  論文  参考訳（メタデータ） (2023-05-28T12:29:04Z)
• 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)
• Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
  我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。 我々は距離の計算を高速化するために量子現象を利用する。 我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
  論文  参考訳（メタデータ） (2022-12-13T16:04:16Z)
• Variational Quantum Kernels with Task-Specific Quantum Metric Learning [0.8722210937404288]
  カーネル法は、より高次元(おそらく無限)な特徴空間における点間の類似性の概念に依存している。 最適な量子埋め込みを生成するために,変分量子カーネルとタスク固有量子量子学習について論じる。
  論文  参考訳（メタデータ） (2022-11-08T18:36:25Z)
• Entanglement and coherence in Bernstein-Vazirani algorithm [58.720142291102135]
  Bernstein-Vaziraniアルゴリズムは、オラクルに符号化されたビット文字列を決定できる。 我々はベルンシュタイン・ヴァジラニアルゴリズムの量子資源を詳細に分析する。 絡み合いがない場合、初期状態における量子コヒーレンス量とアルゴリズムの性能が直接関係していることが示される。
  論文  参考訳（メタデータ） (2022-05-26T20:32:36Z)
• Quantum tangent kernel [0.8921166277011345]
  本研究では,パラメータ化量子回路を用いた量子機械学習モデルについて検討する。 深層量子回路のパラメータは、トレーニング中に初期値からあまり移動しないことがわかった。 このような深い変動量子機械学習は、別の創発的カーネルである量子タンジェントカーネルによって記述することができる。
  論文  参考訳（メタデータ） (2021-11-04T15:38:52Z)
• Towards understanding the power of quantum kernels in the NISQ era [79.8341515283403]
  量子カーネルの利点は,大規模データセット,計測回数の少ないもの,システムノイズなどにおいて消失することを示した。 我々の研究は、NISQデバイス上で量子優位性を得るための先進量子カーネルの探索に関する理論的ガイダンスを提供する。
  論文  参考訳（メタデータ） (2021-03-31T02:41:36Z)

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。