論文の概要: Non-Unitary Quantum Machine Learning
- arxiv url: http://arxiv.org/abs/2405.17388v2
- Date: Wed, 20 Nov 2024 06:34:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-21 16:10:29.373329
- Title: Non-Unitary Quantum Machine Learning
- Title（参考訳）: 非一意量子機械学習
- Authors: Jamie Heredge, Maxwell West, Lloyd Hollenberg, Martin Sevior,
- Abstract要約: 量子機械学習における通常のユニタリ制約を克服する確率的量子アルゴリズムをいくつか導入する。
また, 変分アンサッツ層間の残差は, それらを含むモデルにおける不規則な台地を防止できることが示唆された。
また、Schur-Weyl双対性による点雲データに対する新たな回転不変符号化を実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: We introduce several probabilistic quantum algorithms that overcome the normal unitary restrictions in quantum machine learning by leveraging the Linear Combination of Unitaries (LCU) method. Among our investigations are quantum native implementations of Residual Networks (ResNet), where we show that residual connections between layers of a variational ansatz can prevent barren plateaus in models which would otherwise contain them. Secondly, we implement a quantum analogue of average pooling layers from convolutional networks using single qubit controlled basic arithmetic operators and show that the LCU success probability remains stable for the MNIST database. This method can be further generalised to convolutional filters, while using exponentially fewer controlled unitaries than previous approaches. Finally, we propose a general framework for applying a linear combination of irreducible subspace projections on quantum encoded data. This enables a quantum state to remain within an exponentially large space, while selectively amplifying specific subspaces relative to others, alleviating simulability concerns that arise when fully projecting to a polynomially sized subspace. We demonstrate improved classification performance for partially amplified permutation invariant encoded point cloud data when compared to non-invariant or fully permutation invariant encodings. We also demonstrate a novel rotationally invariant encoding for point cloud data via Schur-Weyl duality. These quantum computing frameworks are all constructed using the LCU method, suggesting that further novel quantum machine learning algorithms could be created by utilising the LCU technique.
- Abstract（参考訳）: 本稿では,LCU(Linear Combination of Unitary)法を利用して,量子機械学習における通常のユニタリ制約を克服する確率論的量子アルゴリズムを提案する。
我々の研究の中にはResidual Networks (ResNet) の量子ネイティブ実装があり、そこでは変分アンサッツの層間の残差が、それらを含むモデルにおけるバレンプラトーを防止できることが示されている。
第2に、単一量子ビット制御基本演算子を用いて畳み込みネットワークから平均プーリング層の量子アナログを実装し、MNISTデータベースにおいてLCU成功確率が安定であることを示す。
この方法は、従来の手法よりも指数関数的に少ない制御ユニタリを使用しながら、畳み込みフィルタにさらに一般化することができる。
最後に、量子符号化データに既約部分空間射影の線形結合を適用するための一般的なフレームワークを提案する。
これにより、量子状態は指数関数的に大きな空間に留まり、他の部分空間に対して特定の部分空間を選択的に増幅し、多項式サイズの部分空間に完全に射影したときに生じるシミュラビリティの懸念を緩和することができる。
非不変または完全置換不変エンコーディングと比較して、部分増幅変分変分符号化点雲データに対する分類性能の向上を示す。
また、Schur-Weyl双対性による点雲データに対する新たな回転不変符号化を実証する。
これらの量子コンピューティングフレームワークはすべてLCU法を用いて構築されており、LCU技術を利用してさらに新しい量子機械学習アルゴリズムを作成することができることを示唆している。
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) - Near-Term Distributed Quantum Computation using Mean-Field Corrections
and Auxiliary Qubits [77.04894470683776]
本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。
我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
論文 参考訳（メタデータ） (2023-09-11T18:00:00Z) - Robust Dequantization of the Quantum Singular value Transformation and
Quantum Machine Learning Algorithms [0.0]
この弱い仮定の下では、ランダム化線形代数の技法がどれだけ多く適用できるかを示す。
また、これらの結果を用いて、多くの量子機械学習アルゴリズムの頑健な復号化を行う。
論文 参考訳（メタデータ） (2023-04-11T02:09:13Z) - Implementing any Linear Combination of Unitaries on Intermediate-term Quantum Computers [0.0]
我々はLCU(Linear Combination of Unitary)を実装するための3つの新しい手法を開発した。
第1の方法は、LCUプロシージャによって作成された任意の量子状態に対して可観測物の期待値を推定する。
第二のアプローチは、単純で物理的に動機づけられたLCUの連続時間アナログであり、ハイブリッド量子モードシステムに適合する。
第3の手法(アンシラフリーLCU)は、アシラ量子ビットを全く必要とせず、量子状態の射影に興味がある場合に有用である。
論文 参考訳（メタデータ） (2023-02-27T07:15:14Z) - Quantum Worst-Case to Average-Case Reductions for All Linear Problems [66.65497337069792]
量子アルゴリズムにおける最悪のケースと平均ケースの削減を設計する問題について検討する。
量子アルゴリズムの明示的で効率的な変換は、入力のごく一部でのみ正し、全ての入力で正しくなる。
論文 参考訳（メタデータ） (2022-12-06T22:01:49Z) - Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる
本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。
その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文 参考訳（メタデータ） (2022-09-01T17:08:41Z) - Variational Quantum and Quantum-Inspired Clustering [0.0]
本稿では,変動量子回路に基づくクラスタリングのための量子アルゴリズムを提案する。
このアルゴリズムはデータを多くのクラスタに分類することができ、数量子のノイズ中間スケール量子(NISQ)デバイスで容易に実装できる。
論文 参考訳（メタデータ） (2022-06-20T17:02:19Z) - Quantum State Preparation and Non-Unitary Evolution with Diagonal
Operators [0.0]
単元量子デバイス上での非単元演算をシミュレートするダイレーションに基づくアルゴリズムを提案する。
このアルゴリズムを用いて、高忠実度量子デバイス上でランダムな準正規化された2レベル状態を作成する。
また,2レベル開放量子系の正確な非単位的ダイナミクスを,量子デバイス上で計算されたデファーシングチャネルと振幅減衰チャネルに提示する。
論文 参考訳（メタデータ） (2022-05-05T17:56:41Z) - A Hybrid Quantum-Classical Algorithm for Robust Fitting [47.42391857319388]
本稿では,ロバストフィッティングのためのハイブリッド量子古典アルゴリズムを提案する。
私たちのコアコントリビューションは、整数プログラムの列を解く、新しい堅牢な適合式である。
実際の量子コンピュータを用いて得られた結果について述べる。
論文 参考訳（メタデータ） (2022-01-25T05:59:24Z) - Quantum Error Mitigation Relying on Permutation Filtering [84.66087478797475]
本稿では,既存の置換に基づく手法を特殊なケースとして含む,置換フィルタ(permutation filters)と呼ばれる一般的なフレームワークを提案する。
提案するフィルタ設計アルゴリズムは, 常に大域的最適度に収束し, フィルタが既存の置換法よりも大幅に改善できることを示す。
論文 参考訳（メタデータ） (2021-07-03T16:07:30Z)
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。