論文の概要: Hyperdimensional Quantum Factorization

• arxiv url: http://arxiv.org/abs/2406.11889v1
• Date: Thu, 13 Jun 2024 20:50:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-20 00:55:56.864892
• Title: Hyperdimensional Quantum Factorization
• Title（参考訳）: 超次元量子因子化
• Authors: Prathyush Poduval, Zhuowen Zou, Alvaro Velasquez, Mohsen Imani,
• Abstract要約: HDQFは量子重ね合わせとしてポテンシャル因子を量子ビット状態と双極ベクトル表現を用いて符号化する。 これにより、古典的な探索法よりも2次高速化され、ハイパーベクター因子化能力の問題が効果的に軽減される。
• 参考スコア（独自算出の注目度）: 12.607568833115407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a quantum algorithm for efficiently decoding hypervectors, a crucial process in extracting atomic elements from hypervectors - an essential task in Hyperdimensional Computing (HDC) models for interpretable learning and information retrieval. HDC employs high-dimensional vectors and efficient operators to encode and manipulate information, representing complex objects from atomic concepts. When one attempts to decode a hypervector that is the product (binding) of multiple hypervectors, the factorization becomes prohibitively costly with classical optimization-based methods and specialized recurrent networks, an inherent consequence of the binding operation. We propose HDQF, an innovative quantum computing approach, to address this challenge. By exploiting parallels between HDC and quantum computing and capitalizing on quantum algorithms' speedup capabilities, HDQF encodes potential factors as a quantum superposition using qubit states and bipolar vector representation. This yields a quadratic speedup over classical search methods and effectively mitigates Hypervector Factorization capacity issues.
• Abstract（参考訳）: 本稿では,ハイパーベクトルから原子元素を抽出する重要なプロセスであるハイパーベクトルを効率よく復号する量子アルゴリズムを提案する。 HDCは高次元ベクトルと効率的な演算子を用いて情報をエンコードし操作し、原子の概念から複雑な物体を表現する。 複数の超ベクトルの積(結合)である超ベクトルを復号しようとすると、その分解は古典的な最適化に基づく手法や特別な再帰的ネットワークによって禁止的にコストがかかる。 この課題に対処するために、革新的な量子コンピューティングアプローチであるHDQFを提案する。 HDCと量子コンピューティングの並列性を生かし、量子アルゴリズムのスピードアップ能力に乗じて、HDQFはポテンシャル因子を量子重ね合わせとして量子ビット状態と双極ベクトル表現を用いて符号化する。 これにより、古典的な探索法よりも2次高速化され、ハイパーベクター因子化能力の問題が効果的に軽減される。

関連論文リスト

• Multi-reference Quantum Davidson Algorithm for Quantum Dynamics [3.3869539907606603]
  Quantum Krylov Subspace (QKS) 法が開発され、ノイズの多い中間スケール量子コンピュータ上で加速シミュレーションを行う能力が向上した。 マルチボディシステムの基底状態と励起状態を決定する新しい手法であるQDavidsonアルゴリズムから導出した2つのQKS手法を導入・評価する。
  論文  参考訳（メタデータ） (2024-06-12T22:30:52Z)
• Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
  量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。 どの場の量子スピードアップが達成できるかという新たな課題が生じる。 量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
  論文  参考訳（メタデータ） (2024-02-26T09:32:07Z)
• Indirect Quantum Approximate Optimization Algorithms: application to the TSP [1.1786249372283566]
  量子交互作用素 Ansatz はベクトルの集合を記述するハミルトニアンを効率的にモデル化するためにユニタリ作用素の一般パラメータ化された族を考える。 このアルゴリズムは,(1)量子マシン上で実行される量子パラメトリゼーション回路が弦ベクトルの集合をモデル化し,(2)古典機械で実行される古典的メタ最適化ループ,(3)各弦ベクトル計算の平均コストを推定する。
  論文  参考訳（メタデータ） (2023-11-06T17:39:14Z)
• Charged particle reconstruction for future high energy colliders with Quantum Approximate Optimization Algorithm [0.0]
  荷電粒子再構成は、いわゆる軌道再構成であり、二次的に制約のない2進最適化問題と見なすことができる。 量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)は、そのような問題を解く上で最も有望なアルゴリズムの1つである。 その結果、QAOAは有望な性能を示し、量子コンピュータを用いたトラック再構築の候補の1つとして実証された。
  論文  参考訳（メタデータ） (2023-10-16T10:26:37Z)
• Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
  単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。 提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
  論文  参考訳（メタデータ） (2023-04-18T11:57:15Z)
• Deep Quantum Error Correction [73.54643419792453]
  量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。 本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。 提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
  論文  参考訳（メタデータ） (2023-01-27T08:16:26Z)
• Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
  我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。 我々は距離の計算を高速化するために量子現象を利用する。 我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
  論文  参考訳（メタデータ） (2022-12-13T16:04:16Z)
• Approximate complex amplitude encoding algorithm and its application to data classification problems [1.4843656413993453]
  古典的なデータベクトルを量子状態にロードするタスクは指数的な数の量子ゲートを必要とする。 量子状態の振幅に与えられた実数値データベクトルを大まかにロードする変動手段を用いた近似振幅符号化(AAE)法は,近距離デバイスを中心にこの問題に対する一般的なアプローチとして最近提案されている。 本研究では, AAEを拡張して, 複素数値データベクトルを扱えるようにする。
  論文  参考訳（メタデータ） (2022-11-23T15:46:29Z)
• Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
  本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。 この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2022-04-18T21:45:13Z)
• Space-efficient binary optimization for variational computing [68.8204255655161]
  本研究では,トラベリングセールスマン問題に必要なキュービット数を大幅に削減できることを示す。 また、量子ビット効率と回路深さ効率のモデルを円滑に補間する符号化方式を提案する。
  論文  参考訳（メタデータ） (2020-09-15T18:17:27Z)
• Efficient Discrete Feature Encoding for Variational Quantum Classifier [3.7576442570677253]
  変分量子分類(VQC)は、量子的に有利な方法の一つである。 本稿では,量子ランダムアクセス符号化(QRAC)を用いて,離散的特徴をVQCの量子ビット数に効率的にマッピングする手法を提案する。 QRACがVQCのトレーニングを高速化するためには,マッピングのキュービット数を節約することで,パラメータを削減できることを実験的に示す。
  論文  参考訳（メタデータ） (2020-05-29T04:43:14Z)

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。