論文の概要: Digital-Analog Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2411.10744v1
• Date: Sat, 16 Nov 2024 08:54:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:35:14.500735
• Title: Digital-Analog Quantum Machine Learning
• Title（参考訳）: デジタルアナログ量子機械学習
• Authors: Lucas Lamata,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Machine Learning algorithms are extensively used in an increasing number of systems, applications, technologies, and products, both in industry and in society as a whole. They enable computing devices to learn from previous experience and therefore improve their performance in a certain context or environment. In this way, many useful possibilities have been made accessible. However, dealing with an increasing amount of data poses difficulties for classical devices. Quantum systems may offer a way forward, possibly enabling to scale up machine learning calculations in certain contexts. On the other hand, quantum systems themselves are also hard to scale up, due to decoherence and the fragility of quantum superpositions. In the short and mid term, it has been evidenced that a quantum paradigm that combines evolution under large analog blocks with discrete quantum gates, may be fruitful to achieve new knowledge of classical and quantum systems with no need of having a fault-tolerant quantum computer. In this Perspective, we review some recent works that employ this digital-analog quantum paradigm to carry out efficient machine learning calculations with current quantum devices.
• Abstract（参考訳）: 機械学習アルゴリズムは、産業と社会全体の両方において、ますます多くのシステム、アプリケーション、技術、製品に広く使われている。 これにより、コンピュータデバイスは以前の経験から学び、そのため特定の状況や環境での性能を向上させることができる。 このようにして、多くの有用な可能性が利用できるようになった。 しかし、データ量の増加に対処することは、古典的なデバイスにとって困難である。 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。 一方、量子系自体のデコヒーレンスや量子重ね合わせの不安定さのため、スケールアップも困難である。 短期と中期において、大きなアナログブロックの下にある進化を離散的な量子ゲートと組み合わせた量子パラダイムは、フォールトトレラントな量子コンピュータを必要とせず、古典的および量子システムの新しい知識を達成できることが証明されている。 本稿では、このデジタルアナログ量子パラダイムを用いて、現在の量子デバイスで効率的な機械学習計算を行う最近の研究を概観する。

関連論文リスト

• 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 Information Processing with Molecular Nanomagnets: an introduction [49.89725935672549]
  本稿では,量子情報処理の導入について紹介する。 量子アルゴリズムを理解し設計するための基本的なツールを紹介し、分子スピンアーキテクチャ上での実際の実現を常に言及する。 分子スピンキュートハードウェア上で提案および実装された量子アルゴリズムの例を示す。
  論文  参考訳（メタデータ） (2024-05-31T16:43:20Z)
• 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 computing with and for many-body physics [0.0]
  量子多体システム(Quantum many-body systems)は、量子プロセッサを構築するために用いられる。 現在の量子プロセッサと将来の量子プロセッサは、電子や核子のようなフェルミオンの大規模な多体系を記述するのに使うことができる。
  論文  参考訳（メタデータ） (2023-03-08T19:34:55Z)
• Quantum Computing Toolkit From Nuts and Bolts to Sack of Tools [0.0]
  量子コンピューティングは、古典コンピューティングよりも処理において指数関数的なパフォーマンス上の利点を提供する可能性がある。 これは計算問題を解くために量子力学現象(重ね合わせ、絡み合い、干渉など)を利用する。 量子コンピュータは開発初期段階にあり、デコヒーレンス、すなわち環境相互作用によって劣化する量子ビットのためにノイズがある。
  論文  参考訳（メタデータ） (2023-02-17T14:08:44Z)
• 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)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• Quantum reservoir computing: a reservoir approach toward quantum machine learning on near-term quantum devices [0.8206877486958002]
  量子貯水池コンピューティング(Quantum reservoir computing)は、時間的機械学習のように、量子システム上で複雑でリッチなダイナミクスを使用するアプローチである。 これらの量子機械学習アプローチはすべて、実験的に実現可能であり、最先端の量子デバイスに有効である。
  論文  参考訳（メタデータ） (2020-11-10T04:45:52Z)
• Quantum machine learning and quantum biomimetics: A perspective [0.0]
  量子機械学習は、量子技術の中でエキサイティングで有望なパラダイムとして登場した。 本稿では,これらのトピックについて概観し,科学コミュニティが実施した関連研究について述べる。
  論文  参考訳（メタデータ） (2020-04-25T07:45:20Z)

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。