論文の概要: Optimizing Quantum Embedding using Genetic Algorithm for QML Applications

• arxiv url: http://arxiv.org/abs/2412.00286v1
• Date: Fri, 29 Nov 2024 23:37:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:44:08.715647
• Title: Optimizing Quantum Embedding using Genetic Algorithm for QML Applications
• Title（参考訳）: QML応用のための遺伝的アルゴリズムを用いた量子埋め込み最適化
• Authors: Koustubh Phalak, Archisman Ghosh, Swaroop Ghosh,
• Abstract要約: 遺伝的アルゴリズム(GA)を用いて、最適な特徴-量子マッピングを探索する。 MNISTとTiny ImageNetデータセットの実験では、GAがランダムな特徴-ビットマッピングより優れていることが示されている。
• 参考スコア（独自算出の注目度）: 2.089191490381739
• License:
• Abstract: Quantum Embeddings (QE) are essential for loading classical data into quantum systems for Quantum Machine Learning (QML). The performance of QML algorithms depends on the type of QE and how features are mapped to qubits. Traditionally, the optimal embedding is found through optimization, but we propose framing it as a search problem instead. In this work, we use a Genetic Algorithm (GA) to search for the best feature-to-qubit mapping. Experiments on the MNIST and Tiny ImageNet datasets show that GA outperforms random feature-to-qubit mappings, achieving 0.33-3.33 (MNIST) and 0.5-3.36 (Tiny ImageNet) higher fitness scores, with up to 15% (MNIST) and 8.8% (Tiny ImageNet) reduced runtime. The GA approach is scalable with both dataset size and qubit count. Compared to existing methods like Quantum Embedding Kernel (QEK), QAOA-based embedding, and QRAC, GA shows improvements of 1.003X, 1.03X, and 1.06X, respectively.
• Abstract（参考訳）: 量子埋め込み(Quantum Embeddings, QE)は、量子機械学習(Quantum Machine Learning, QML)のための量子システムに古典的なデータをロードするために必須である。 QMLアルゴリズムのパフォーマンスは、QEのタイプと、機能がどのようにキュービットにマップされるかに依存する。 伝統的に最適埋め込みは最適化によって見つけるが、代わりにフレーミングを探索問題として提案する。 本研究では,遺伝的アルゴリズム(GA)を用いて,最適な特徴-量子マッピングを探索する。 MNISTとTiny ImageNetデータセットの実験では、GAはランダムな特徴-ビットマッピングよりも優れており、0.5-3.33(MNIST)と0.5-3.36(Tiny ImageNet)の高いフィットネススコアが達成され、最大15%(MNIST)と8.8%(Tiny ImageNet)のランタイムが削減された。 GAアプローチは、データセットサイズとキュービット数の両方でスケーラブルである。 量子埋め込みカーネル(QEK)やQAOAベースの埋め込み、QRACといった既存の方法と比較して、GAは1.003X、1.03X、1.06Xの改善を示している。

関連論文リスト

• Approximately Equivariant Quantum Neural Network for $p4m$ Group Symmetries in Images [30.01160824817612]
  本研究では、平面$p4m$対称性に基づく画像分類のための同変量子畳み込みニューラルネットワーク(EquivQCNNs)を提案する。 2次元イジングモデルの位相検出や拡張MNISTデータセットの分類など、さまざまなユースケースでテストされた結果を示す。
  論文  参考訳（メタデータ） (2023-10-03T18:01:02Z)
• Efficient and Equivariant Graph Networks for Predicting Quantum Hamiltonian [72.57870177599492]
  本稿では,効率と等価性を実現するSE(3)-equivariant Network,QHNetを提案する。 我々の重要な進歩はQHNetアーキテクチャの革新的な設計であり、基礎となる対称性に従うだけでなく、テンソル製品の数を92%削減できる。 実験結果から,我々のQHNetは最先端の手法に匹敵する性能を極めて高速に達成できることが示された。
  論文  参考訳（メタデータ） (2023-06-08T03:47:33Z)
• GHN-Q: Parameter Prediction for Unseen Quantized Convolutional Architectures via Graph Hypernetworks [80.29667394618625]
  我々は,未知の量子化CNNアーキテクチャのパラメータの予測にグラフハイパーネットを用いることを初めて検討した。 我々は、CNNの探索空間の縮小に着目し、GHN-Qが実際に8ビットの量子化されたCNNの量子化-ロバストパラメータを予測できることを見出した。
  論文  参考訳（メタデータ） (2022-08-26T08:00:02Z)
• Sampling Frequency Thresholds for Quantum Advantage of Quantum Approximate Optimization Algorithm [0.7046417074932257]
  量子近似最適化アルゴリズム(QAOA)の性能を最先端の古典解法と比較する。 古典的解法は線形時間複雑性において高品質な近似解を生成することができる。 異なるグラフ、重み付けされたMaxCut、最大独立集合、および3-SATといった他の問題は、短期量子デバイスにおける量子優位性を達成するのに適しているかもしれない。
  論文  参考訳（メタデータ） (2022-06-07T20:59:19Z)
• Evaluation on Genetic Algorithms as an optimizer of Variational Quantum Eigensolver(VQE) method [1.0742675209112622]
  量子コンピュータ上の変分量子固有解法(VQE)は、量子コンピュータと古典コンピュータの両方を用いた固有状態と固有値の解法としてよく知られたハイブリッドアルゴリズムである。 この方法では、現実的な時間では解決できないような、高分子や複雑な最適化問題を含む量子化学シミュレーションを解くことができる。
  論文  参考訳（メタデータ） (2021-10-14T15:10:16Z)
• OMPQ: Orthogonal Mixed Precision Quantization [64.59700856607017]
  混合精度量子化は、ハードウェアの多重ビット幅演算を利用して、ネットワーク量子化の全ポテンシャルを解き放つ。 本稿では、整数プログラミングの損失と高い相関関係にあるネットワーク性の概念であるプロキシメトリックを最適化することを提案する。 このアプローチは、量子化精度にほとんど妥協することなく、検索時間と必要なデータ量を桁違いに削減する。
  論文  参考訳（メタデータ） (2021-09-16T10:59:33Z)
• Optimal Qubit Mapping with Simultaneous Gate Absorption [9.530683922512873]
  コンパイルにおける重要なステップは、プログラム内の量子ビットを、与えられた量子コンピュータ上の物理量子ビットにマッピングすることである。 OLSQ-GAは、SWAPゲートを同時に吸収する鍵となる特徴を持つ最適量子ビットマッパーである。 OLSQ-GAは、他の最先端手法と比較して、深さを最大50.0%、SWAPカウントを100%削減する。
  論文  参考訳（メタデータ） (2021-09-14T05:15:36Z)
• Hybrid quantum-classical algorithms for approximate graph coloring [65.62256987706128]
  量子近似最適化アルゴリズム(RQAOA)をMAX-$k$-CUTに適用する方法を示す。 任意のグラフに対するレベル-$1$QAOAとレベル-$1$RQAOAをシミュレートした,効率的な古典的シミュレーションアルゴリズムを構築する。
  論文  参考訳（メタデータ） (2020-11-26T18:22:21Z)
• MoG-VQE: Multiobjective genetic variational quantum eigensolver [0.0]
  変分量子固有解法 (VQE) は、近距離量子コンピュータのための最初の実用的なアルゴリズムとして登場した。 本稿では,低深度と精度の向上を両立させる手法を提案する。 2ビットゲート数の10倍近く削減されるのを、標準のハードウェア効率のアンサッツと比較して観察する。
  論文  参考訳（メタデータ） (2020-07-08T20:44:50Z)
• APQ: Joint Search for Network Architecture, Pruning and Quantization Policy [49.3037538647714]
  本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。 ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。 同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
  論文  参考訳（メタデータ） (2020-06-15T16:09:17Z)
• ZeroQ: A Novel Zero Shot Quantization Framework [83.63606876854168]
  量子化は、ニューラルネットワークの推論時間とメモリフットプリントを削減するための有望なアプローチである。 既存のゼロショット量子化法では、異なるエポックを用いてこの問題に対処するが、性能は低下する。 本稿では,この問題に対処する新しいゼロショット量子化フレームワークであるZeroQを提案する。
  論文  参考訳（メタデータ） (2020-01-01T23:58:26Z)

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。