論文の概要: Harnessing Quantum Support Vector Machines for Cross-Domain Classification of Quantum States

• arxiv url: http://arxiv.org/abs/2407.00774v2
• Date: Mon, 22 Jul 2024 11:06:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-24 00:42:21.554605
• Title: Harnessing Quantum Support Vector Machines for Cross-Domain Classification of Quantum States
• Title（参考訳）: 量子状態のクロスドメイン分類のためのハーネス化量子支援ベクトルマシン
• Authors: Diksha Sharma, Vivek Balasaheb Sabale, Parvinder Singh, Atul Kumar,
• Abstract要約: クロスドメイン分類は、絡み合いと分離性パラダイムの解釈に使用される。 2ビット混合状態の効率的分類を,絡み合ったクラスと分離可能なクラスに分類する。 本研究は,量子状態の分類のための量子支援ベクトルマシンの可能性を示すものである。
• 参考スコア（独自算出の注目度）: 1.3187011661009458
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the present study, we use cross-domain classification using quantum machine learning for quantum advantages to readdress the entanglement versus separability paradigm. The inherent structure of quantum states and its relation to a particular class of quantum states are used to intuitively classify testing states from domains different from training states, called \textit{cross-domain classification}. Using our quantum machine learning algorithm, we demonstrate efficient classifications of two-qubit mixed states into entangled and separable classes. For analyzing the quantumness of correlations, our model adequately classifies Bell diagonal states as zero and non-zero discord states. In addition, we also extend our analysis to evaluate the robustness of our model using random local unitary transformations. Our results demonstrate the potential of the quantum support vector machine for classifying quantum states across the multi-dimensional Hilbert space in comparison to classical support vector machines and neural networks.
• Abstract（参考訳）: 本研究では,量子機械学習を用いたクロスドメイン分類を用いて,絡み合いと分離可能性のパラダイムを解釈する。 量子状態の固有構造とその特定の種類の量子状態との関係は、訓練状態とは異なる領域から直感的にテスト状態の分類に使用される。 量子機械学習アルゴリズムを用いて、2ビット混合状態の絡み合ったクラスと分離可能なクラスへの効率的な分類を実証する。 相関の量子性を分析するために、我々のモデルはベル対角状態をゼロおよび非ゼロ不協和状態として適切に分類する。 さらに、ランダムな局所ユニタリ変換を用いて、モデルのロバスト性を評価するために分析を拡張した。 本結果は,古典的サポートベクトルマシンやニューラルネットワークと比較して,多次元ヒルベルト空間の量子状態を分類するための量子支援ベクトルマシンの可能性を示す。

関連論文リスト

• MORE: Measurement and Correlation Based Variational Quantum Circuit for Multi-classification [10.969833959443495]
  MOREは、測定と相関に基づく変分量子多重分類器の略である。 我々はQiskit Pythonライブラリを使ってMOREを実装し、ノイズフリーとノイズの多い量子システムの両方で広範囲にわたる実験により評価する。
  論文  参考訳（メタデータ） (2023-07-21T19:33:10Z)
• 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)
• 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)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Digital Quantum Simulation and Circuit Learning for the Generation of Coherent States [1.4153418423656923]
  量子回路におけるコヒーレントな状態をデジタル的に準備する2つの方法が導入された。 ディジタル生成されたコヒーレント状態の高忠実度を検証した。 シミュレーションの結果、量子回路学習は、適切なアンサーゼを選択することにより、コヒーレントな状態の学習に高い忠実性を提供できることが示された。
  論文  参考訳（メタデータ） (2022-10-30T09:06:21Z)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Q-means using variational quantum feature embedding [0.9572675949441442]
  変分回路の目的は、量子的特徴を持つヒルベルト空間のクラスターを極大に分離することである。 量子回路の出力は、特定のクラスタに属する全ての量子状態の重ね合わせを表す特徴的なクラスター量子状態である。 期待値の勾配は、変動回路のパラメータを最適化し、より良い量子特徴写像を学習するために用いられる。
  論文  参考訳（メタデータ） (2021-12-11T13:00:51Z)
• Stochastic emulation of quantum algorithms [0.0]
  量子アルゴリズムに必要な量子力学状態の基本特性を共有する新しい対象として,粒子位置の確率分布の高次偏微分を導入する。 これらの普遍写像から構築された写像による伝播は、量子力学状態の進化を正確に予測できる。 我々は、いくつかのよく知られた量子アルゴリズムを実装し、必要な量子ビット数による実現のスケーリングを分析し、エミュレーションコストに対する破壊的干渉の役割を強調した。
  論文  参考訳（メタデータ） (2021-09-16T07:54:31Z)
• Continuous Variable Quantum Advantages and Applications in Quantum Optics [0.0]
  この論文は連続変数と光学的設定における3つの主要な問題に焦点を当てている。 量子マシンが古典的マシンを上回る能力はどこから来るのか? 量子情報の使用によって実際に得られる利点は何か?
  論文  参考訳（メタデータ） (2021-02-10T02:43:27Z)
• Facial Expression Recognition on a Quantum Computer [68.8204255655161]
  量子機械学習手法を用いて表情認識の可能な解を示す。 適切に定義された量子状態の振幅に符号化されたグラフの隣接行列を操作する量子回路を定義する。
  論文  参考訳（メタデータ） (2021-02-09T13:48:00Z)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。