論文の概要: Single-shot quantum machine learning

• arxiv url: http://arxiv.org/abs/2406.13812v1
• Date: Wed, 19 Jun 2024 20:17:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-21 18:25:37.978094
• Title: Single-shot quantum machine learning
• Title（参考訳）: 単発量子機械学習
• Authors: Erik Recio-Armengol, Jens Eisert, Johannes Jakob Meyer,
• Abstract要約: 我々は、量子学習モデルがほぼ決定論的に予測を生成できる時期を分析する。 量子学習モデルがほぼ決定論的である程度は、埋め込み量子状態の識別可能性によって制約されることを示す。 我々は、量子学習モデルは汎用的な方法で単発ではあり得ず、同時に訓練可能であることを示して結論付けた。
• 参考スコア（独自算出の注目度）: 0.3277163122167433
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum machine learning aims to improve learning methods through the use of quantum computers. If it is to ever realize its potential, many obstacles need to be overcome. A particularly pressing one arises at the prediction stage because the outputs of quantum learning models are inherently random. This creates an often considerable overhead, as many executions of a quantum learning model have to be aggregated to obtain an actual prediction. In this work, we analyze when quantum learning models can evade this issue and produce predictions in a near-deterministic way -- paving the way to single-shot quantum machine learning. We give a rigorous definition of single-shotness in quantum classifiers and show that the degree to which a quantum learning model is near-deterministic is constrained by the distinguishability of the embedded quantum states used in the model. Opening the black box of the embedding, we show that if the embedding is realized by quantum circuits, a certain depth is necessary for single-shotness to be even possible. We conclude by showing that quantum learning models cannot be single-shot in a generic way and trainable at the same time.
• Abstract（参考訳）: 量子機械学習は、量子コンピュータを用いて学習方法を改善することを目的としている。 もしその可能性を実現するためには、多くの障害を克服する必要がある。 特に押されるのは、量子学習モデルの出力が本質的にランダムであるため、予測段階で発生する。 これは、実際の予測を得るためには、量子学習モデルの多くの実行を集約する必要があるため、しばしばかなりのオーバーヘッドを生み出す。 この研究では、量子学習モデルがこの問題を回避し、ほぼ決定論的に予測を生成することができるかを分析します。 量子分類器において、単一ショットネスの厳密な定義を与え、量子学習モデルがほぼ決定論的である程度が、モデルで使用される埋め込み量子状態の識別可能性によって制約されていることを示す。 埋め込みのブラックボックスを開くと、埋め込みが量子回路によって実現された場合、単一ショットネスが可能であるためには一定の深さが必要であることを示す。 我々は、量子学習モデルは汎用的な方法で単発ではあり得ず、同時に訓練可能であることを示した。

関連論文リスト

• Quantum machine learning with indefinite causal order [0.0]
  従来の量子機械学習回路では、入力パラメータを符号化する量子ゲートは一定の順序で構築されている。 量子機械学習に不確定因果順序を導入する。
  論文  参考訳（メタデータ） (2024-03-06T08:22:52Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Quantum Conformal Prediction for Reliable Uncertainty Quantification in Quantum Machine Learning [47.991114317813555]
  量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。 本稿では、そのようなランダム性を利用して、モデルの不確実性を確実に捉えることができる分類と回帰の両方の予測セットを定義することを提案する。
  論文  参考訳（メタデータ） (2023-04-06T22:05:21Z)
• Simple Tests of Quantumness Also Certify Qubits [69.96668065491183]
  量子性の検定は、古典的検証者が証明者が古典的でないことを(のみ)証明できるプロトコルである。 我々は、あるテンプレートに従う量子性のテストを行い、(Kalai et al., 2022)のような最近の提案を捉えた。 すなわち、同じプロトコルは、証明可能なランダム性や古典的な量子計算のデリゲートといったアプリケーションの中心にあるビルディングブロックであるqubitの認定に使用できる。
  論文  参考訳（メタデータ） (2023-03-02T14:18:17Z)
• Adiabatic quantum learning [0.0]
  この研究は、断熱的量子進化に基づくいくつかの量子学習プロトコルを実行することを提案する。 対照的に、ここで提案された断熱量子学習は、将来の断熱弱測定プロトコルと統合される可能性がある。
  論文  参考訳（メタデータ） (2023-03-02T07:27:29Z)
• 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)
• 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)
• Pattern capacity of a single quantum perceptron [0.0]
  量子機械学習の最近の進歩は、古典的なパーセプトロンを量子状態に一般化するモデルがいくつか導入されている。 ここでは、連続変数量子システムを用いて実現された量子パーセプトロンの特定のモデルのパターンキャパシティを計算するための統計物理学的手法を用いる。
  論文  参考訳（メタデータ） (2021-12-19T10:57:08Z)
• Power of data in quantum machine learning [2.1012068875084964]
  データから学習する古典機械によって、古典的に計算が難しい問題を簡単に予測できることが示される。 本稿では,フォールトトレラントシステムにおける学習問題に対して,単純かつ厳密な量子スピードアップを実現する量子モデルを提案する。
  論文  参考訳（メタデータ） (2020-11-03T19:00:01Z)
• Statistical Limits of Supervised Quantum Learning [90.0289160657379]
  精度の制約を考慮すると、教師付き学習のための量子機械学習アルゴリズムは入力次元における多対数ランタイムを達成できないことを示す。 より効率的な古典的アルゴリズムよりも、教師あり学習のための量子機械学習アルゴリズムの方が、ほとんどの場合スピードアップできると結論付けている。
  論文  参考訳（メタデータ） (2020-01-28T17:35:32Z)

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。