論文の概要: Universal replication of chaotic characteristics by classical and quantum machine learning

• arxiv url: http://arxiv.org/abs/2405.08484v1
• Date: Tue, 14 May 2024 10:12:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-15 14:28:33.726167
• Title: Universal replication of chaotic characteristics by classical and quantum machine learning
• Title（参考訳）: 古典および量子機械学習によるカオス特性の普遍的再現
• Authors: Sheng-Chen Bai, Shi-Ju Ran,
• Abstract要約: 変動量子回路は、長期記憶よりも高い精度で長期特性を再現できることを示す。 以上の結果から,量子回路モデルは過適合を緩和し,高い精度と安定性を達成できる可能性が示唆された。
• 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: Replicating chaotic characteristics of non-linear dynamics by machine learning (ML) has recently drawn wide attentions. In this work, we propose that a ML model, trained to predict the state one-step-ahead from several latest historic states, can accurately replicate the bifurcation diagram and the Lyapunov exponents of discrete dynamic systems. The characteristics for different values of the hyper-parameters are captured universally by a single ML model, while the previous works considered training the ML model independently by fixing the hyper-parameters to be specific values. Our benchmarks on the one- and two-dimensional Logistic maps show that variational quantum circuit can reproduce the long-term characteristics with higher accuracy than the long short-term memory (a well-recognized classical ML model). Our work reveals an essential difference between the ML for the chaotic characteristics and that for standard tasks, from the perspective of the relation between performance and model complexity. Our results suggest that quantum circuit model exhibits potential advantages on mitigating over-fitting, achieving higher accuracy and stability.
• Abstract（参考訳）: 近年,機械学習(ML)による非線形力学のカオス特性の再現が注目されている。 本研究では, 最新の歴史状態から1ステップ先進状態を予測することを訓練したMLモデルにより, 離散力学系の分岐図とリアプノフ指数を正確に再現できることを示す。 ハイパーパラメータの異なる値の特徴は、単一のMLモデルによって普遍的にキャプチャされる一方、以前の研究では、ハイパーパラメータを特定の値に固定することで、MLモデルを独立にトレーニングすることを検討した。 1次元と2次元のロジスティックマップのベンチマークでは、変動量子回路は長い短期記憶(よく認識された古典的MLモデル)よりも高い精度で長期特性を再現できることが示されている。 我々の研究は、カオス特性に対するMLと、パフォーマンスとモデルの複雑さの関係の観点から、標準的なタスクにおけるMLとの主な違いを明らかにします。 以上の結果から,量子回路モデルは過適合を緩和し,高い精度と安定性を達成できる可能性が示唆された。

関連論文リスト

• On the relation between trainability and dequantization of variational quantum learning models [1.7999333451993955]
  変分量子機械学習(QML)のトレーニング容易性と定式化の関係について検討する。 我々はPQCベースのQMLモデルを構築するためのレシピを紹介した。 しかしながら、我々の研究は、より一般的な構造を見つけるための道のりを指している。
  論文  参考訳（メタデータ） (2024-06-11T08:59:20Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。 本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• First-Order Phase Transition of the Schwinger Model with a Quantum Computer [0.0]
  格子シュウィンガーモデルにおける一階位相遷移を位相的$theta$-termの存在下で検討する。 本研究では, モデルの位相構造を明らかにする観測可能な電場密度と粒子数が, 量子ハードウェアから確実に得られることを示す。
  論文  参考訳（メタデータ） (2023-12-20T08:27:49Z)
• Classical-to-Quantum Transfer Learning Facilitates Machine Learning with Variational Quantum Circuit [62.55763504085508]
  本稿では,変分量子回路(VQC)を用いた古典的量子移動学習アーキテクチャにより,VQCモデルの表現と一般化(推定誤差)が向上することを証明する。 古典-量子遷移学習のアーキテクチャは、事前学習された古典的生成AIモデルを活用し、訓練段階におけるVQCの最適パラメータの発見を容易にする。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• A Novel Stochastic LSTM Model Inspired by Quantum Machine Learning [0.0]
  過去数年間の量子機械学習(QML)の研究は、QMLアルゴリズムが従来のアルゴリズムと同様に機能することを示唆している。 この研究は、QMLが古典機械にその性質を組み込むことで、いくつかの報告された利益を達成できるかどうかを解明することを目的としている。
  論文  参考訳（メタデータ） (2023-05-17T13:44:25Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Direct parameter estimations from machine-learning enhanced quantum state tomography [3.459382629188014]
  機械学習による量子状態トモグラフィ(QST)は、量子状態に関する完全な情報を抽出する際の利点を実証している。 我々は,目標パラメータを直接生成することにより,高性能で軽量で容易に教師付き特性モデルを構築する。 このような特性モデルに基づく ML-QST は、ヒルベルト空間を扱う問題を回避することができるが、高い精度で特徴抽出を維持することができる。
  論文  参考訳（メタデータ） (2022-03-30T15:16:02Z)
• SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred from Vision [73.26414295633846]
  最近提案されたモデルのクラスは、高次元観測から潜在力学を学習しようと試みている。 既存の手法は画像再構成の品質に依存しており、学習した潜在力学の質を常に反映しているわけではない。 我々は、基礎となるハミルトン力学が忠実に捕獲されたかどうかのバイナリ指標を含む、一連の新しい尺度を開発する。
  論文  参考訳（メタデータ） (2021-11-10T23:26:58Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Structural risk minimization for quantum linear classifiers [0.0]
  qml(quantum machine learning)は、量子コンピューティングの短期的"キラーアプリケーション"の典型的な候補の1つとして注目される。 明示的および暗黙的量子線形分類器と呼ばれる2つの密接に関連したQMLモデルの容量測定を研究する。 我々は,QMLモデルで使用される観測値のランクとフロベニウスノルムが,モデルのキャパシティを密接に制御していることを確認した。
  論文  参考訳（メタデータ） (2021-05-12T10:39:55Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。