論文の概要: Data augmentation experiments with style-based quantum generative adversarial networks on trapped-ion and superconducting-qubit technologies
- arxiv url: http://arxiv.org/abs/2405.04401v1
- Date: Tue, 7 May 2024 15:26:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-08 13:41:05.401896
- Title: Data augmentation experiments with style-based quantum generative adversarial networks on trapped-ion and superconducting-qubit technologies
- Title(参考訳): トラップイオンおよび超伝導量子ビット技術におけるスタイルベース量子生成逆数ネットワークによるデータ拡張実験
- Authors: Julien Baglio,
- Abstract要約: この研究は、初めて、スタイルベースの量子生成逆数ネットワーク(qGAN)の量子ジェネレータアーキテクチャをどのように実装できるかを実証する。
2022年に提案されたスタイルベースのqGANは、qGANのための技術の現状を一般化し、浅い深度ネットワークを可能にする。
両デバイスで得られた結果は同等の品質であり、ia-1デバイスはibm_torinoデバイスよりもかなり正確な結果をもたらす。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the current noisy intermediate scale quantum computing era, and after the significant progress of the quantum hardware we have seen in the past few years, it is of high importance to understand how different quantum algorithms behave on different types of hardware. This includes whether or not they can be implemented at all and, if so, what the quality of the results is. This work quantitatively demonstrates, for the first time, how the quantum generator architecture for the style-based quantum generative adversarial network (qGAN) can not only be implemented but also yield good results on two very different types of hardware for data augmentation: the IBM bm_torino quantum computer based on the Heron chip using superconducting transmon qubits and the aria-1 IonQ quantum computer based on trapped-ion qubits. The style-based qGAN, proposed in 2022, generalizes the state of the art for qGANs and allows for shallow-depth networks. The results obtained on both devices are of comparable quality, with the aria-1 device delivering somewhat more accurate results than the ibm_torino device, while the runtime on ibm_torino is significantly shorter than on aria-1. Parallelization of the circuits, using up to 48 qubits on IBM quantum systems and up to 24 qubits on the IonQ system, is also presented, reducing the number of submitted jobs and allowing for a substantial reduction of the runtime on the quantum processor to generate the total number of samples.
- Abstract(参考訳): 現在のノイズの多い中間スケール量子コンピューティングの時代、そしてここ数年で私たちが目にした量子ハードウェアの大きな進歩の後、異なる種類のハードウェアに対して異なる量子アルゴリズムがどのように振る舞うかを理解することが非常に重要である。
これには、それらがまったく実装できるかどうか、そしてもしそうであれば、結果の質がどのようなものかが含まれる。
この研究は、初めて、スタイルベースの量子生成逆数ネットワーク(qGAN)の量子ジェネレータアーキテクチャをどのように実装できるかを定量的に示すとともに、データ拡張のための2つの非常に異なるタイプのハードウェア(超伝導トランスモン量子ビットを用いたHeronチップに基づくIBM bm_torino量子コンピュータと、トラップイオン量子ビットに基づくaria-1 IonQ量子コンピュータ)に対して良い結果をもたらす。
2022年に提案されたスタイルベースのqGANは、qGANの最先端を一般化し、浅い深度ネットワークを可能にする。
両装置で得られた結果は同等品質であり、ia-1デバイスは、ibm_torinoデバイスよりも若干正確な結果を提供する一方、ibm_torinoのランタイムは、ia-1よりもかなり短い。
IBMの量子システム上で最大48キュービット、IonQシステム上で最大24キュービットの回路を並列化することで、ジョブの送信数を削減し、量子プロセッサ上でのランタイムの大幅な削減を可能にして、サンプルの総数を生成する。
関連論文リスト
- Supervised binary classification of small-scale digits images with a trapped-ion quantum processor [56.089799129458875]
量子プロセッサは、考慮された基本的な分類タスクを正しく解くことができることを示す。
量子プロセッサの能力が向上するにつれ、機械学習の有用なツールになり得る。
論文 参考訳(メタデータ) (2024-06-17T18:20:51Z) - 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) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳(メタデータ) (2024-01-10T22:33:00Z) - Benchmarking a trapped-ion quantum computer with 29 algorithmic qubits [0.0]
我々はIonQ Forteシステムのデモと徹底的なベンチマークを行った。
本稿では,アルゴリズム量子ビット(AQ)ベンチマークのスイートを,#AQ 29までパスすることを示す。
これは、量子コンピュータがより大きく高品質なデバイスへと移行するにつれて、特徴付けがより困難になることを示している。
論文 参考訳(メタデータ) (2023-08-09T17:02:55Z) - Benchmarking simulated and physical quantum processing units using
quantum and hybrid algorithms [0.0]
QMwareシミュレータは、量子回路の実行ランタイムを最大78%削減することができる。
リゲッティのAspen-M2のような物理量子デバイスは、30量子ビット以上の回路に対して指数的ランタイムの利点を提供する。
論文 参考訳(メタデータ) (2022-11-28T18:35:18Z) - Iterative Qubits Management for Quantum Index Searching in a Hybrid
System [56.39703478198019]
IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。
我々はQiskitでIQuCSを実装し、集中的な実験を行う。
その結果、量子ビットの消費を最大66.2%削減できることが示されている。
論文 参考訳(メタデータ) (2022-09-22T21:54:28Z) - 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) - QuClassi: A Hybrid Deep Neural Network Architecture based on Quantum
State Fidelity [13.152233840194473]
本稿では,量子ニューラルネットワークQuClassiを提案する。
量子微分関数とハイブリッド量子古典設計により、QuClassiはデータを量子ビットでエンコードし、量子回路を生成し、最良の状態のために量子プラットフォームにプッシュする。
論文 参考訳(メタデータ) (2021-03-21T05:28:37Z) - 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) - Design of a Quantum-Repeater using Quantum-Circuits and benchmarking its
performance on an IBM Quantum-Computer [1.9447311464267876]
量子リピータの回路レベル実装について報告し、このプロトコルをIBMのクラウド量子コンピュータであるIBMQ上でベンチマークする。
実験の結果, 完全オンチップ量子リピータにおける共有ベルペアの忠実度は26%で, 収率49%であった。
論文 参考訳(メタデータ) (2020-09-09T21:44:11Z)
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。