論文の概要: Measurement-based quantum machine learning
- arxiv url: http://arxiv.org/abs/2405.08319v2
- Date: Tue, 30 Sep 2025 04:17:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-01 14:44:59.620636
- Title: Measurement-based quantum machine learning
- Title（参考訳）: 計測に基づく量子機械学習
- Authors: Luis Mantilla Calderón, Robert Raussendorf, Polina Feldmann, Dmytro Bondarenko,
- Abstract要約: 本稿では,計測に基づく量子計算ニューロンから構築された普遍的な量子ニューラルネットワークを提案する。
ノイズの存在下では, MuTA が普遍的なゲート集合を学習できることを数値的に示す。
フォトニックな Gottesman-Kitaev-Preskill 量子ビットによって課されるハードウェア制約を組み込む。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum machine learning (QML) leverages quantum computing for classical inference, furnishes the processing of quantum data with machine-learning methods, and provides quantum algorithms adapted to noisy devices. Typically, QML proposals are framed in terms of the circuit model of quantum computation. The alternative measurement-based quantum computing (MBQC) paradigm can exhibit lower circuit depths, is naturally compatible with classical co-processing of mid-circuit measurements, and offers a promising avenue towards error correction. Despite significant progress on MBQC devices, QML in terms of MBQC has been hardly explored. We propose the multiple-triangle ansatz (MuTA), a universal quantum neural network assembled from MBQC neurons featuring bias engineering, monotonic expressivity, tunable entanglement, and scalable training. We numerically demonstrate that MuTA can learn a universal set of gates in the presence of noise, a quantum-state classifier, as well as a quantum instrument, and classify classical data using a quantum kernel tailored to MuTA. Finally, we incorporate hardware constraints imposed by photonic Gottesman-Kitaev-Preskill qubits. Our framework lays the foundation for versatile quantum neural networks native to MBQC, allowing to explore MBQC-specific algorithmic advantages and QML on MBQC devices.
- Abstract（参考訳）: 量子機械学習(QML)は、古典的推論に量子コンピューティングを活用し、機械学習手法で量子データの処理を実装し、ノイズの多いデバイスに適応した量子アルゴリズムを提供する。
通常、QMLの提案は量子計算の回路モデルの観点からフレーム化される。
オルタナティブな測定ベースの量子コンピューティング(MBQC)パラダイムは、回路深度が低く、中回路測定の古典的コプロセッシングと自然に互換性があり、エラー修正への有望な道を提供する。
MBQCデバイスは大幅に進歩したが、MBQCに関してはQMLはほとんど研究されていない。
本稿では,MBQCニューロンをベースとした多角形アンサッツ(MuTA)を提案する。
量子状態分類器(quantum-state classifier)や量子機器(quantum instrument)などの存在下での普遍的なゲートセットを学習し,Mutaに合わせた量子カーネルを用いて古典的なデータを分類できることを数値的に示す。
最後に、フォトニックな Gottesman-Kitaev-Preskill 量子ビットによって課されるハードウェア制約を組み込む。
我々のフレームワークはMBQCにネイティブな汎用量子ニューラルネットワークの基礎を築き、MBQC固有のアルゴリズムの利点とMBQCデバイス上のQMLを探索する。
関連論文リスト
- Quantum Hamiltonian Embedding of Images for Data Reuploading Classifiers [0.9374652839580181]
最初の考慮事項の1つは、量子機械学習モデル自体の設計である。
最近の研究は、スピードアップによる量子アドバンテージが量子機械学習の正しい目標かどうかを疑問視し始めた。
本稿では,古典的なディープラーニングアルゴリズムの設計を量子ニューラルネットワークの設計に取り入れることで,代替手法を提案する。
論文 参考訳（メタデータ） (2024-07-19T06:31:22Z) - Randomness-enhanced expressivity of quantum neural networks [7.7991930692137466]
本稿では,量子回路にランダム性を組み込むことにより,QNNの表現性を高める新しい手法を提案する。
我々は、Uhlmannの定理を用いて、任意の対象作用素を正確に近似することができることを証明した。
量子機械学習に広く応用できる複数の学習タスクに対してランダム性を導入することにより,QNNの表現性が向上することを発見した。
論文 参考訳（メタデータ） (2023-08-09T07:17:13Z) - 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) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳（メタデータ） (2022-11-09T21:43:16Z) - Scalable Quantum Neural Networks for Classification [11.839990651381617]
本稿では,複数の小型量子デバイスの量子資源を協調的に利用することにより,スケーラブルな量子ニューラルネットワーク(SQNN)を実現する手法を提案する。
SQNNシステムでは、いくつかの量子デバイスが量子特徴抽出器として使われ、入力インスタンスから並列に局所的な特徴を抽出し、量子デバイスは量子予測器として機能する。
論文 参考訳（メタデータ） (2022-08-04T20:35:03Z) - Quantum Neural Architecture Search with Quantum Circuits Metric and
Bayesian Optimization [2.20200533591633]
各量子状態に対するゲートの作用を特徴付ける新しい量子ゲート距離を提案する。
提案手法は、経験的量子機械学習の3つの問題において、ベンチマークを著しく上回っている。
論文 参考訳（メタデータ） (2022-06-28T16:23:24Z) - 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) - QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks [71.14713348443465]
可変量子回路(VQC)上に量子埋め込みを行うためのトレーニング可能な量子テンソルネットワーク(QTN)を導入する。
QTNは、量子埋め込みの生成から出力測定まで、エンドツーエンドのパラメトリックモデルパイプライン、すなわちQTN-VQCを可能にする。
MNISTデータセットに対する我々の実験は、他の量子埋め込み手法に対する量子埋め込みに対するQTNの利点を実証している。
論文 参考訳（メタデータ） (2021-10-06T14:44:51Z) - 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) - TensorFlow Quantum: A Software Framework for Quantum Machine Learning [36.75544801185366]
本稿では,古典的あるいは量子的データに対するハイブリッド量子古典モデルの高速プロトタイピングのためのオープンソースライブラリであるQuantum (TFQ)を紹介する。
本稿では,メタラーニング,階層学習,ハミルトン学習,サーマル状態のサンプリング,変分量子固有解法,量子位相遷移の分類,生成的敵ネットワーク,強化学習など,高度な量子学習タスクにTFQを適用する方法を紹介する。
論文 参考訳（メタデータ） (2020-03-06T01:31:43Z) - Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。
我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文 参考訳（メタデータ） (2019-12-31T07:40:23Z)
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。