論文の概要: Large-scale quantum reservoir learning with an analog quantum computer

• arxiv url: http://arxiv.org/abs/2407.02553v1
• Date: Tue, 2 Jul 2024 18:00:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 18:33:58.576406
• Title: Large-scale quantum reservoir learning with an analog quantum computer
• Title（参考訳）: アナログ量子コンピュータを用いた大規模量子貯水池学習
• Authors: Milan Kornjača, Hong-Ye Hu, Chen Zhao, Jonathan Wurtz, Phillip Weinberg, Majd Hamdan, Andrii Zhdanov, Sergio H. Cantu, Hengyun Zhou, Rodrigo Araiza Bravo, Kevin Bagnall, James I. Basham, Joseph Campo, Adam Choukri, Robert DeAngelo, Paige Frederick, David Haines, Julian Hammett, Ning Hsu, Ming-Guang Hu, Florian Huber, Paul Niklas Jepsen, Ningyuan Jia, Thomas Karolyshyn, Minho Kwon, John Long, Jonathan Lopatin, Alexander Lukin, Tommaso Macrì, Ognjen Marković, Luis A. Martínez-Martínez, Xianmei Meng, Evgeny Ostroumov, David Paquette, John Robinson, Pedro Sales Rodriguez, Anshuman Singh, Nandan Sinha, Henry Thoreen, Noel Wan, Daniel Waxman-Lenz, Tak Wong, Kai-Hsin Wu, Pedro L. S. Lopes, Yuval Boger, Nathan Gemelke, Takuya Kitagawa, Alexander Keesling, Xun Gao, Alexei Bylinskii, Susanne F. Yelin, Fangli Liu, Sheng-Tao Wang,
• Abstract要約: 我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。 アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。 本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
• 参考スコア（独自算出の注目度）: 45.21335836399935
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum machine learning has gained considerable attention as quantum technology advances, presenting a promising approach for efficiently learning complex data patterns. Despite this promise, most contemporary quantum methods require significant resources for variational parameter optimization and face issues with vanishing gradients, leading to experiments that are either limited in scale or lack potential for quantum advantage. To address this, we develop a general-purpose, gradient-free, and scalable quantum reservoir learning algorithm that harnesses the quantum dynamics of neutral-atom analog quantum computers to process data. We experimentally implement the algorithm, achieving competitive performance across various categories of machine learning tasks, including binary and multi-class classification, as well as timeseries prediction. Effective and improving learning is observed with increasing system sizes of up to 108 qubits, demonstrating the largest quantum machine learning experiment to date. We further observe comparative quantum kernel advantage in learning tasks by constructing synthetic datasets based on the geometric differences between generated quantum and classical data kernels. Our findings demonstrate the potential of utilizing classically intractable quantum correlations for effective machine learning. We expect these results to stimulate further extensions to different quantum hardware and machine learning paradigms, including early fault-tolerant hardware and generative machine learning tasks.
• Abstract（参考訳）: 量子機械学習は、量子技術が進歩するにつれて大きな注目を集め、複雑なデータパターンを効率的に学習するための有望なアプローチを提示している。 この約束にもかかわらず、現代のほとんどの量子法は変分パラメータ最適化のための重要な資源を必要とし、消失する勾配の問題に直面する。 これを解決するために、中立原子アナログ量子コンピュータの量子力学を利用してデータを処理する汎用的で勾配のないスケーラブルな量子貯水池学習アルゴリズムを開発した。 アルゴリズムを実験的に実装し、二進および多進の分類を含む機械学習タスクの様々なカテゴリで競合性能を達成し、タイムリー予測を行う。 システムサイズを最大108キュービットに増やすことで、効果的な学習と学習の改善が観察され、これまでで最大の量子機械学習実験が実証された。 さらに、生成した量子カーネルと古典的データカーネルの幾何学的差異に基づいて、合成データセットを構築することにより、学習タスクにおける比較量子カーネルの利点を観察する。 本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。 これらの結果は、早期フォールトトレラントハードウェアや生成機械学習タスクを含む、さまざまな量子ハードウェアと機械学習パラダイムへのさらなる拡張を期待する。

関連論文リスト

• Digital-Analog Quantum Machine Learning [0.0]
  機械学習アルゴリズムは、ますます多くのシステム、アプリケーション、技術、製品で広く使われている。 データの量の増加は 古典的な装置に困難をもたらします 量子システムは、特定のコンテキストにおける機械学習計算のスケールアップを可能にする方法を提供するかもしれない。
  論文  参考訳（メタデータ） (2024-11-16T08:54:52Z)
• Quantum continual learning on a programmable superconducting processor [17.787742382926137]
  量子分類器は,3つの異なるタスクの知識を段階的に学習し,保持することができることを示す。 本研究は,複数の逐次タスクに適応可能な量子学習システムを実現するための有効な戦略を確立した。
  論文  参考訳（メタデータ） (2024-09-15T13:16:56Z)
• 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)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• 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 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)
• Modern applications of machine learning in quantum sciences [51.09906911582811]
  本稿では、教師なし、教師なし、強化学習アルゴリズムにおけるディープラーニングとカーネル手法の使用について述べる。 我々は、微分可能プログラミング、生成モデル、機械学習に対する統計的アプローチ、量子機械学習など、より専門的なトピックについて議論する。
  論文  参考訳（メタデータ） (2022-04-08T17:48:59Z)
• Storage properties of a quantum perceptron [0.0]
  特定の量子パーセプトロンアーキテクチャの記憶容量について検討する。 我々は、特定の量子パーセプトロンモデルに焦点をあて、多数の入力の極限において、その記憶特性を探求する。
  論文  参考訳（メタデータ） (2021-11-16T12:32:34Z)
• 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)

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。