論文の概要: Quantum enhanced stratification of Breast Cancer: exploring quantum expressivity for real omics data
- arxiv url: http://arxiv.org/abs/2409.14089v1
- Date: Sat, 21 Sep 2024 10:00:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 03:44:25.317969
- Title: Quantum enhanced stratification of Breast Cancer: exploring quantum expressivity for real omics data
- Title（参考訳）: 乳がんの量子高度成層化--実オミクスデータの量子表現性を探る
- Authors: Valeria Repetto, Elia Giuseppe Ceroni, Giuseppe Buonaiuto, Romina D'Aurizio,
- Abstract要約: 量子カーネル(QK)は、分子特性に基づいて、乳癌(BC)患者のサブタイプを効果的に分類できる。
以上の結果から,QKは従来の手法と同等のクラスタリング結果が得られるが,データポイントは少ないことがわかった。
その結果,NISQデバイス上で計算パイプラインを確実に実装できることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum Machine Learning (QML) is considered one of the most promising applications of Quantum Computing in the Noisy Intermediate Scale Quantum (NISQ) era for the impact it is thought to have in the near future. Although promising theoretical assumptions, the exploration of how QML could foster new discoveries in Medicine and Biology fields is still in its infancy with few examples. In this study, we aimed to assess whether Quantum Kernels (QK) could effectively classify subtypes of Breast Cancer (BC) patients on the basis of molecular characteristics. We performed an heuristic exploration of encoding configurations with different entanglement levels to determine a trade-off between kernel expressivity and performances. Our results show that QKs yield comparable clustering results with classical methods while using fewer data points, and are able to fit the data with a higher number of clusters. Additionally, we conducted the experiments on the Quantum Processing Unit (QPU) to evaluate the effect of noise on the outcome. We found that less expressive encodings showed a higher resilience to noise, indicating that the computational pipeline can be reliably implemented on the NISQ devices. Our findings suggest that QK methods show promises for application in Precision Oncology, especially in scenarios where the dataset is limited in size and a granular non-trivial stratification of complex molecular data cannot be achieved classically.
- Abstract（参考訳）: 量子機械学習(QML)は、ノイズ中間スケール量子(NISQ)時代の量子コンピューティングの最も有望な応用の1つと考えられている。
有望な理論的な仮定はあるものの、QMLが医学と生物学の分野で新しい発見を育む方法の探求はまだ初期段階であり、例は少ない。
本研究の目的は,分子特性に基づいて,QK(Quantum Kernels)が乳癌(BC)患者のサブタイプを効果的に分類できるかどうかを評価することである。
カーネルの表現率と性能のトレードオフを決定するために,異なる絡み合いレベルを持つエンコーディング構成のヒューリスティックな探索を行った。
以上の結果から,QKは従来の手法と同等のクラスタリング結果が得られるが,データポイントは少なく,クラスタ数も高いことがわかった。
さらに,QPU(Quantum Processing Unit)実験を行い,ノイズが結果に与える影響について検討した。
その結果,NISQデバイス上で計算パイプラインを確実に実装できることが示唆された。
以上の結果から,QK法は特にデータセットのサイズが制限され,複雑な分子データの粒度の非自明な成層化が古典的に達成できない場合において,精度オンコロジーの応用が期待できることを示す。
関連論文リスト
- Empirical Quantum Advantage Analysis of Quantum Kernel in Gene Expression Data [0.0]
量子優位性が達成可能な適切なデータセットを見つけることや、古典的および量子的手法によって選択された特徴の関連性を評価することなど、制約に重点を置いている。
生理的行動と疾患の感受性の制御において遺伝的変異が重要な役割を担った遺伝子発現データセットを実験的に選択した。
論文 参考訳（メタデータ） (2024-11-11T15:34:53Z) - CompressedMediQ: Hybrid Quantum Machine Learning Pipeline for High-Dimensional Neuroimaging Data [1.3359321655273804]
本稿では,新しいハイブリッド量子古典型機械学習パイプラインであるCompressedMediQを紹介する。
高次元のマルチクラス・ニューロイメージングデータ解析に関連する計算課題に対処する。
論文 参考訳（メタデータ） (2024-09-13T07:03:01Z) - Generating Universal Adversarial Perturbations for Quantum Classifiers [0.0]
量子機械学習(QML)は、量子コンピューティングの能力を活用し、既存の機械学習方法論を強化することを目的として、将来的な研究分野として登場した。
近年の研究では、古典的手法と同様に、PQC(Parametrized Quantum Circuits)に基づくQMLモデルも敵の攻撃に対して脆弱であることが示されている。
量子分類器のためのUAP(Universal Adversarial Perturbations)を生成するための新しいフレームワークQuGAPを紹介する。
論文 参考訳（メタデータ） (2024-02-13T18:27:53Z) - GQHAN: A Grover-inspired Quantum Hard Attention Network [53.96779043113156]
GQHAM(Grover-inspired Quantum Hard Attention Mechanism)を提案する。
GQHANは、既存の量子ソフト自己保持機構の有効性を超越して、非微分可能性ハードルをかなり上回っている。
GQHANの提案は、将来の量子コンピュータが大規模データを処理する基盤を築き、量子コンピュータビジョンの開発を促進するものである。
論文 参考訳（メタデータ） (2024-01-25T11:11:16Z) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳（メタデータ） (2023-08-25T15:08:19Z) - Data-driven reactivity prediction of targeted covalent inhibitors using
computed quantum features for drug discovery [0.0]
本稿では,新しい分子機能と実験データを組み合わせたデータ駆動パイプラインを提案する。
反応弾頭の量子埋め込みを利用したワークフローから抽出した特徴を用いた反応性予測の有用性を示す。
計算された特徴は「量子指紋」を形成し、弾頭の性質に関して分子をクラスター化することができる。
論文 参考訳（メタデータ） (2023-07-18T22:51:16Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳（メタデータ） (2022-11-23T18:25:32Z) - 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) - Hybrid Quantum-Classical Graph Convolutional Network [7.0132255816377445]
本研究は、HEPデータを学習するためのハイブリッド量子古典グラフ畳み込みネットワーク(QGCNN)を提供する。
提案フレームワークは,パラメータ数の観点から,古典的多層パーセプトロンと畳み込みニューラルネットワークの優位性を示す。
テスト精度に関して、QGCNNは、同じHEPデータセット上の量子畳み込みニューラルネットワークと同等のパフォーマンスを示している。
論文 参考訳（メタデータ） (2021-01-15T16:02:52Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z)
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。