論文の概要: Machine Learning for Arbitrary Single-Qubit Rotations on an Embedded Device

• arxiv url: http://arxiv.org/abs/2411.13037v1
• Date: Wed, 20 Nov 2024 04:59:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:09:41.225604
• Title: Machine Learning for Arbitrary Single-Qubit Rotations on an Embedded Device
• Title（参考訳）: 組み込みデバイス上での任意単一ビット回転の機械学習
• Authors: Madhav Narayan Bhat, Marco Russo, Luca P. Carloni, Giuseppe Di Guglielmo, Farah Fahim, Andy C. Y. Li, Gabriel N. Perdue,
• Abstract要約: フィールドプログラマブル論理を用いた単一キュービットゲート合成に機械学習(ML)を用いる手法を提案する。 まず、ゲートの忠実度を測定するためのフルステートベクタにアクセス可能なシミュレーションに基づいて、モデルをブートストラップする。 次に,適応ランダム化ベンチマーク (ARB) というアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 1.3753825907341728
• License:
• Abstract: Here we present a technique for using machine learning (ML) for single-qubit gate synthesis on field programmable logic for a superconducting transmon-based quantum computer based on simulated studies. Our approach is multi-stage. We first bootstrap a model based on simulation with access to the full statevector for measuring gate fidelity. We next present an algorithm, named adapted randomized benchmarking (ARB), for fine-tuning the gate on hardware based on measurements of the devices. We also present techniques for deploying the model on programmable devices with care to reduce the required resources. While the techniques here are applied to a transmon-based computer, many of them are portable to other architectures.
• Abstract（参考訳）: 本稿では,超伝導トランスモン系量子コンピュータにおけるフィールドプログラマブル論理を用いた単一量子ゲート合成のための機械学習(ML)手法を提案する。 私たちのアプローチは多段階です。 まず、ゲートの忠実度を測定するためのフルステートベクタにアクセス可能なシミュレーションに基づいて、モデルをブートストラップする。 次に,適応ランダム化ベンチマーク (ARB) と呼ばれるアルゴリズムを提案する。 また、必要なリソースを減らすため、プログラム可能なデバイスにモデルをデプロイする手法を提案する。 ここでのテクニックはトランスモンベースのコンピュータに適用されるが、その多くは他のアーキテクチャに移植可能である。

関連論文リスト

• Quantum Kernel Estimation With Neutral Atoms For Supervised Classification: A Gate-Based Approach [0.6445605125467573]
  量子カーネル推定(Quantum Kernel Estimation, QKE)は、量子コンピュータを用いてカーネル関数を推定する手法である。 中性原子量子コンピュータは、より自由な原子を配置できるため、使用することができる。 本稿では,共通ゲートの集合を明示的に導出するアルゴリズムを提案し,中性原子デバイス上で量子カーネルを推定する方法を提案する。
  論文  参考訳（メタデータ） (2023-07-28T23:56:26Z)
• Quantum Semi-Supervised Kernel Learning [4.726777092009554]
  本稿では,セミスーパービジョンカーネル支援ベクトルマシンを学習するための量子機械学習アルゴリズムを提案する。 完全教師付き量子LS-SVMと同じスピードアップを維持していることを示す。
  論文  参考訳（メタデータ） (2022-04-22T13:39:55Z)
• Asynchronous Parallel Incremental Block-Coordinate Descent for Decentralized Machine Learning [55.198301429316125]
  機械学習(ML)は、巨大なIoT(Internet of Things)ベースのインテリジェントでユビキタスなコンピューティングのビッグデータ駆動モデリングと分析のための重要なテクニックである。 急成長するアプリケーションやデータ量にとって、分散学習は有望な新興パラダイムである。 本稿では,多くのユーザデバイスに分散した分散システム上でMLモデルをトレーニングする問題について検討する。
  論文  参考訳（メタデータ） (2022-02-07T15:04:15Z)
• MQBench: Towards Reproducible and Deployable Model Quantization Benchmark [53.12623958951738]
  MQBenchは、モデル量子化アルゴリズムの評価、分析、およびデプロイ可能性のベンチマークを行う最初の試みである。 我々は、CPU、GPU、ASIC、DSPを含む実世界のデプロイのための複数のプラットフォームを選択し、最先端の量子化アルゴリズムを評価する。 包括的な分析を行い、直感的、直感的、あるいは反直感的な洞察を見出す。
  論文  参考訳（メタデータ） (2021-11-05T23:38:44Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
  本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。 我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
  論文  参考訳（メタデータ） (2020-12-07T18:51:28Z)
• Generative machine learning with tensor networks: benchmarks on near-term quantum computers [0.0]
  テンソルネットワーク(TN)の観点から,NISQデバイス上での量子支援機械学習(QAML)について検討する。 特に、古典的手法を用いてTNベースのQAMLモデルを設計、最適化するためのフレームワークをレイアウトし、量子ハードウェア上で動作させるためにこれらのモデルをコンパイルする。 本稿では,MPS QAMLモデルの性能を評価するための正確なベンチマーク問題と,標準MNIST手書き桁データセットへの適用について述べる。
  論文  参考訳（メタデータ） (2020-10-07T20:33:34Z)
• Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
  量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。 シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。 これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-09-28T17:21:25Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)
• Prune2Edge: A Multi-Phase Pruning Pipelines to Deep Ensemble Learning in IIoT [0.0]
  IIoTデバイス上での学習をアンサンブルするためのエッジベースのマルチフェーズ・プルーニングパイプラインを提案する。 第1フェーズでは、様々なプルーンドモデルのアンサンブルを生成し、次いで整数量子化を適用し、次にクラスタリングに基づく手法を用いて生成されたアンサンブルをプルークする。 提案手法は,ベースラインモデルの予測可能性レベルより優れていた。
  論文  参考訳（メタデータ） (2020-04-09T17:44:34Z)

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。