論文の概要: Online learning of a panoply of quantum objects
- arxiv url: http://arxiv.org/abs/2406.04245v1
- Date: Thu, 6 Jun 2024 16:44:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-07 13:50:11.855594
- Title: Online learning of a panoply of quantum objects
- Title(参考訳): 量子オブジェクトのパノプリのオンライン学習
- Authors: Akshay Bansal, Ian George, Soumik Ghosh, Jamie Sikora, Alice Zheng,
- Abstract要約: 多くの量子タスクにおいて、学習したい未知の量子オブジェクトが存在する。
正半定値行列の一般部分集合について学習するために亜線型後悔を証明した。
我々の境界はコンパクトな凸表現を持つ他の多くの量子オブジェクトに適用できる。
- 参考スコア(独自算出の注目度): 0.873811641236639
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In many quantum tasks, there is an unknown quantum object that one wishes to learn. An online strategy for this task involves adaptively refining a hypothesis to reproduce such an object or its measurement statistics. A common evaluation metric for such a strategy is its regret, or roughly the accumulated errors in hypothesis statistics. We prove a sublinear regret bound for learning over general subsets of positive semidefinite matrices via the regularized-follow-the-leader algorithm and apply it to various settings where one wishes to learn quantum objects. For concrete applications, we present a sublinear regret bound for learning quantum states, effects, channels, interactive measurements, strategies, co-strategies, and the collection of inner products of pure states. Our bound applies to many other quantum objects with compact, convex representations. In proving our regret bound, we establish various matrix analysis results useful in quantum information theory. This includes a generalization of Pinsker's inequality for arbitrary positive semidefinite operators with possibly different traces, which may be of independent interest and applicable to more general classes of divergences.
- Abstract(参考訳): 多くの量子タスクにおいて、学習したい未知の量子オブジェクトが存在する。
このタスクのオンライン戦略は、そのような対象またはその測定統計を再現するために仮説を適応的に精製することを含む。
そのような戦略の一般的な評価基準は、その後悔または仮説統計における概ね蓄積された誤りである。
正半定値行列の一般部分集合について正規化フォロー・ザ・リーダーアルゴリズムを用いて学習し、量子オブジェクトを学習したい様々な設定に適用するためのサブ線形後悔を証明した。
具体的には, 量子状態, 効果, チャネル, 対話的測定, 戦略, 共同戦略, 純粋状態の内積の収集について述べる。
我々の境界はコンパクトな凸表現を持つ他の多くの量子オブジェクトに適用できる。
残念なことに、量子情報理論に有用な様々な行列解析結果を確立する。
これは、おそらく異なるトレースを持つ任意の正の半定値作用素に対するピンスカーの不等式を一般化することを含み、これは独立な興味を持ち、より一般的な発散クラスに適用できる。
関連論文リスト
- Separable Power of Classical and Quantum Learning Protocols Through the Lens of No-Free-Lunch Theorem [70.42372213666553]
No-Free-Lunch(NFL)定理は、最適化プロセスに関係なく問題とデータ非依存の一般化誤差を定量化する。
我々は、様々な量子学習アルゴリズムを、特定の観測可能条件下で量子力学を学習するために設計された3つの学習プロトコルに分類する。
得られたNFL定理は, CLC-LP, ReQu-LP, Qu-LPにまたがるサンプルの複雑性を2次的に低減することを示した。
この性能差は、非直交量子状態のグローバル位相に関する情報を間接的に活用するために、量子関連学習プロトコルのユニークな能力に起因している。
論文 参考訳(メタデータ) (2024-05-12T09:05:13Z) - Bounds and guarantees for learning and entanglement [0.0]
情報理論は、与えられたデータセット上での学習アルゴリズムのパフォーマンスを予測するツールを提供する。
この研究はまず、小さな条件エントロピーが学習を成功させるのに十分であることを示すことで、この関係を拡張した。
この情報理論と学習の関連性は、量子システムを含む学習タスクを特徴づけるために、同様に量子情報理論を適用することを示唆している。
論文 参考訳(メタデータ) (2024-04-10T18:09:22Z) - Information-theoretic generalization bounds for learning from quantum data [5.0739329301140845]
古典量子データに基づくトレーニングにより量子学習を記述するための数学的定式化を提案する。
我々は,古典的および量子的情報理論量の観点から,量子学習者の期待する一般化誤差を証明した。
我々の研究は、量子学習に関する量子情報理論的な視点を統一するための基礎を築いた。
論文 参考訳(メタデータ) (2023-11-09T17:21:38Z) - Quantum algorithms: A survey of applications and end-to-end complexities [90.05272647148196]
期待されている量子コンピュータの応用は、科学と産業にまたがる。
本稿では,量子アルゴリズムの応用分野について検討する。
私たちは、各領域における課題と機会を"エンドツーエンド"な方法で概説します。
論文 参考訳(メタデータ) (2023-10-04T17:53:55Z) - The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for
Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。
鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。
我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文 参考訳(メタデータ) (2022-12-22T16:06:24Z) - Theory of Quantum Generative Learning Models with Maximum Mean
Discrepancy [67.02951777522547]
量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。
まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。
次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
論文 参考訳(メタデータ) (2022-05-10T08:05:59Z) - Scalable approach to many-body localization via quantum data [69.3939291118954]
多体局在は、量子多体物理学の非常に難しい現象である。
計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。
我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
論文 参考訳(メタデータ) (2022-02-17T19:00:09Z) - Experimental violations of Leggett-Garg's inequalities on a quantum
computer [77.34726150561087]
単一および多ビット系におけるLeggett-Garg-Bellの不等式違反を実験的に観察する。
本分析では, 量子プラットフォームの限界に注目し, 上記の相関関数は, 量子ビットの数や回路深さが大きくなるにつれて, 理論的予測から逸脱することを示した。
論文 参考訳(メタデータ) (2021-09-06T14:35:15Z) - Universal compiling and (No-)Free-Lunch theorems for continuous variable
quantum learning [1.2891210250935146]
我々は、量子コンパイルのためのいくつかの近縁な短深さ連続変数アルゴリズムを動機付けている。
提案するコスト関数のトレーニング可能性を分析し,任意の数値的なガウス演算を学習することでアルゴリズムを実証する。
我々は、このフレームワークと連続変数設定における量子学習理論とを、No-Free-Lunch定理を導出することによって接続する。
論文 参考訳(メタデータ) (2021-05-03T17:50:04Z) - A Unified Framework for Quantum Supervised Learning [0.7366405857677226]
トレーニング可能な量子回路を用いた教師あり学習のための埋め込み型フレームワークを提案する。
これらのアプローチの目的は、異なるクラスからヒルベルト空間の分離された位置へ、量子的特徴写像を通してデータをマッピングすることである。
我々は、明示的なアプローチと他の量子教師あり学習モデルとの本質的な接続を確立する。
論文 参考訳(メタデータ) (2020-10-25T18:43:13Z) - Quantum Adversarial Machine Learning [0.0]
適応機械学習は、敵の設定における機械学習アプローチの脆弱性の研究に焦点を当てた新興分野である。
本稿では,量子機械学習の文脈における様々な逆シナリオについて考察する。
ほぼ最先端の精度を達成する量子分類器は、敵の例によって決定的に欺くことができる。
論文 参考訳(メタデータ) (2019-12-31T19:00:12Z)
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。