論文の概要: Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance

• arxiv url: http://arxiv.org/abs/2411.09093v1
• Date: Wed, 13 Nov 2024 23:56:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-15 15:24:21.381011
• Title: Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance
• Title（参考訳）: 量子パーセプトロンの拡張: Rydberg Devices, Multi-class Classification, Error Tolerance
• Authors: Ishita Agarwal, Taylor L. Patti, Rodrigo Araiza Bravo, Susanne F. Yelin, Anima Anandkumar,
• Abstract要約: 量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
• 参考スコア（独自算出の注目度）: 67.77677387243135
• License:
• Abstract: Quantum Neuromorphic Computing (QNC) merges quantum computation with neural computation to create scalable, noise-resilient algorithms for quantum machine learning (QML). At the core of QNC is the quantum perceptron (QP), which leverages the analog dynamics of interacting qubits to enable universal quantum computation. Canonically, a QP features $N$ input qubits and one output qubit, and is used to determine whether an input state belongs to a specific class. Rydberg atoms, with their extended coherence times and scalable spatial configurations, provide an ideal platform for implementing QPs. In this work, we explore the implementation of QPs on Rydberg atom arrays, assessing their performance in tasks such as phase classification between Z2, Z3, Z4 and disordered phases, achieving high accuracy, including in the presence of noise. We also perform multi-class entanglement classification by extending the QP model to include multiple output qubits, achieving 95\% accuracy in distinguishing noisy, high-fidelity states based on separability. Additionally, we discuss the experimental realization of QPs on Rydberg platforms using both single-species and dual-species arrays, and examine the error bounds associated with approximating continuous functions.
• Abstract（参考訳）: 量子ニューロモルフィック・コンピューティング(QNC)は、量子計算とニューラル・コンピューティングを融合して、量子機械学習(QML)のためのスケーラブルでノイズ耐性のあるアルゴリズムを作成する。 QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。 いずれにせよ、QPは$N$の入力量子ビットと1つの出力量子ビットを持ち、入力状態が特定のクラスに属するかどうかを決定するために使用される。 Rydberg原子は、その拡張コヒーレンス時間と拡張空間構成により、QPを実装するのに理想的なプラットフォームを提供する。 本研究では,Rydberg 原子配列上でのQPの実装について検討し,Z2,Z3,Z4 の位相分類や乱位相といったタスクにおける性能評価を行い,ノイズの有無を含む高い精度を実現する。 また、QPモデルを複数の出力量子ビットに拡張し、可分性に基づいてノイズの多い高忠実度状態の区別において95%の精度を達成することで、マルチクラスの絡み合い分類を行う。 さらに,Rydbergプラットフォーム上のQPを単一種と二重種の両方の配列を用いて実験的に実現し,連続関数の近似に伴う誤差境界について検討する。

関連論文リスト

• Quantum subspace expansion in the presence of hardware noise [0.0]
  現在の量子処理ユニット(QPU)の基底状態エネルギーの発見は課題を呈し続けている。 ハードウェアノイズは、パラメタライズド量子回路の表現性とトレーニング性の両方に深刻な影響を及ぼす。 量子サブスペース拡張とVQEを統合する方法を示し、量子コンピューティング能力と古典コンピューティング能力とコストの最適なバランスを可能にする。
  論文  参考訳（メタデータ） (2024-04-14T02:48:42Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• Quantum Signal Processing with the one-dimensional quantum Ising model [0.0]
  量子信号処理(QSP)は、量子システムの特性を操作および決定するための有望なフレームワークとして登場した。 我々は、時空双対量子回路や量子シミュレーションから量子制御まで、様々な分野における我々のアプローチの例と応用について述べる。
  論文  参考訳（メタデータ） (2023-09-08T18:01:37Z)
• Quantum support vector machines for classification and regression on a trapped-ion quantum computer [9.736685719039599]
  量子支援ベクトル分類(QSVC)と量子支援ベクトル回帰(QSVR)に基づく量子機械学習モデルについて検討する。 本稿では,これらのモデルについて,ノイズと非ノイズの双方を考慮した量子回路シミュレータとIonQ Harmony量子プロセッサを用いて検討する。 分類タスクでは, 捕捉イオン量子コンピュータの4量子ビットを用いたQSVCモデルの性能は, ノイズレス量子回路シミュレーションで得られたものと同等であった。
  論文  参考訳（メタデータ） (2023-07-05T08:06:41Z)
• On the feasibility of performing quantum chemistry calculations on quantum computers [0.0]
  分子の基底状態を見つけるための2つの主要な量子アプローチを評価するための2つの基準を提案する。 最初の基準は変分量子固有解法(VQE)アルゴリズムに適用される。 第2の基準は量子位相推定(QPE)アルゴリズムに適用される。
  論文  参考訳（メタデータ） (2023-06-05T06:41:22Z)
• Majorization-based benchmark of the complexity of quantum processors [105.54048699217668]
  我々は、様々な量子プロセッサの動作を数値的にシミュレートし、特徴付ける。 我々は,各デバイスの性能をベンチマークラインと比較することにより,量子複雑性を同定し,評価する。 我々は、回路の出力状態が平均して高い純度である限り、偏化ベースのベンチマークが成り立つことを発見した。
  論文  参考訳（メタデータ） (2023-04-10T23:01:10Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [59.07246314484875]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• Quantum Neuron with Separable-State Encoding [0.0]
  現在利用可能な量子プロセッサにおいて、高度な量子ニューロンモデルを大規模にテストすることは、まだ不可能である。 マルチキュービットゲート数を削減した量子パーセプトロン(QP)モデルを提案する。 シミュレーション量子コンピュータにおいて,QPの量子ビットバージョンをいくつか実装することにより,提案モデルの性能を実証する。
  論文  参考訳（メタデータ） (2022-02-16T19:26:23Z)
• 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。