論文の概要: Exponential quantum advantages in learning quantum observables from classical data
- arxiv url: http://arxiv.org/abs/2405.02027v1
- Date: Fri, 3 May 2024 11:58:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-06 13:05:54.618218
- Title: Exponential quantum advantages in learning quantum observables from classical data
- Title（参考訳）: 古典的データから量子オブザーバブルを学習する際の指数量子アドバンテージ
- Authors: Riccardo Molteni, Casper Gyurik, Vedran Dunjko,
- Abstract要約: 我々は、古典的なデータから量子オブザーバブルを学習する物理的に関係のあるタスクに対して、量子上の利点を証明している。
我々の結果は、量子多体物理学の領域における機械学習問題に対する量子コンピュータの実用性に光を当てた。
- 参考スコア（独自算出の注目度）: 1.9662978733004604
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum computers are believed to bring computational advantages in simulating quantum many body systems. However, recent works have shown that classical machine learning algorithms are able to predict numerous properties of quantum systems with classical data. Despite various examples of learning tasks with provable quantum advantages being proposed, they all involve cryptographic functions and do not represent any physical scenarios encountered in laboratory settings. In this paper we prove quantum advantages for the physically relevant task of learning quantum observables from classical (measured out) data. We consider two types of observables: first we prove a learning advantage for linear combinations of Pauli strings, then we extend the result for the broader case of unitarily parametrized observables. For each type of observable we delineate the boundaries that separate physically relevant tasks which classical computers can solve using data from quantum measurements, from those where a quantum computer is still necessary for data analysis. Our results shed light on the utility of quantum computers for machine learning problems in the domain of quantum many body physics, thereby suggesting new directions where quantum learning improvements may emerge.
- Abstract（参考訳）: 量子コンピュータは、量子多体系をシミュレートする際の計算上の利点をもたらすと考えられている。
しかし、最近の研究では、古典的な機械学習アルゴリズムが古典的なデータを持つ量子システムの多くの特性を予測できることが示されている。
証明可能な量子優位性を備えた学習タスクの様々な例は提案されているが、これらは全て暗号関数を含み、実験室で遭遇する物理的なシナリオを表現していない。
本稿では,古典的(計測アウト)データから量子オブザーバブルを学習する物理的タスクに対して,量子的優位性を示す。
まず、パウリ弦の線形結合に対する学習上の利点を証明し、さらに、より広い単位パラメタライズされた可観測体のケースに対して結果を拡張する。
オブザーバブルのタイプごとに、古典的コンピュータが量子測定からデータを使って解ける物理的に関係のあるタスクを、量子コンピュータがデータ分析にまだ必要であるものから分離する境界線を定めます。
我々の結果は、量子多体物理学の領域における機械学習問題に対する量子コンピュータの実用性に光を当て、量子学習の改善がもたらされるかもしれない新しい方向を示唆している。
関連論文リスト
- Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - 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 Quick Introduction to Quantum Machine Learning for Non-Practitioners [0.0]
この論文では、重ね合わせ、位相空間、絡み合いなど、基本的な量子力学の原理を取り上げている。
また、人工知能、勾配降下、バックプロパゲーションといった古典的なディープラーニングの概念もレビューしている。
量子ニューラルネットワークの潜在的な利点を例に挙げる。
論文 参考訳（メタデータ） (2024-02-22T16:48:17Z) - 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) - Classical Verification of Quantum Learning [42.362388367152256]
量子学習の古典的検証のための枠組みを開発する。
そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。
この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
論文 参考訳（メタデータ） (2023-06-08T00:31:27Z) - 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 advantage in learning from experiments [14.539369998376843]
物理システムから安定した量子メモリにデータを変換する実験的なセットアップは、大きな利点をもたらす可能性がある。
様々なタスクにおいて、量子機械は従来の実験よりも指数関数的に少ない実験から学習できることを実証する。
論文 参考訳（メタデータ） (2021-12-01T19:04:44Z) - 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) - Power of data in quantum machine learning [2.1012068875084964]
データから学習する古典機械によって、古典的に計算が難しい問題を簡単に予測できることが示される。
本稿では,フォールトトレラントシステムにおける学習問題に対して,単純かつ厳密な量子スピードアップを実現する量子モデルを提案する。
論文 参考訳（メタデータ） (2020-11-03T19:00:01Z) - Universal Approximation Property of Quantum Machine Learning Models in
Quantum-Enhanced Feature Spaces [0.0]
本研究では, 領域分割における量子特徴写像の能力について検討する。
我々の研究は、量子特徴写像に基づく機械学習アルゴリズムが幅広い機械学習タスクを扱えるように、重要な理論的分析を可能にする。
論文 参考訳（メタデータ） (2020-09-01T09:09:29Z) - 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。