Fugu-MT 論文翻訳(概要): Predicting Machining Stability with a Quantum Regression Model

論文の概要: Predicting Machining Stability with a Quantum Regression Model

arxiv url: http://arxiv.org/abs/2412.04048v1
Date: Thu, 05 Dec 2024 10:38:57 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-06 14:40:16.397584
Title: Predicting Machining Stability with a Quantum Regression Model
Title（参考訳）: 量子回帰モデルによる加工安定性の予測
Authors: Sascha Mücke, Felix Finkeldey, Nico Piatkowski, Tobias Siebrecht, Petra Wiederkehr,
Abstract要約: 本稿では,Real-Part Quantum SVMを拡張した新しい量子回帰モデルを提案する。その結果, 物理装置で観測される安定性の限界を正確に予測できることが示唆された。
参考スコア（独自算出の注目度）: 1.5833466939207899
License:
Abstract: In this article, we propose a novel quantum regression model by extending the Real-Part Quantum SVM. We apply our model to the problem of stability limit prediction in milling processes, a key component in high-precision manufacturing. To train our model, we use a custom data set acquired by an extensive series of milling experiments using different spindle speeds, enhanced with a custom feature map. We show that the resulting model predicts the stability limits observed in our physical setup accurately, demonstrating that quantum computing is capable of deploying ML models for real-world applications.
Abstract（参考訳）: 本稿では,Real-Part Quantum SVMを拡張した新しい量子回帰モデルを提案する。本研究では, 精錬工程における安定性限界予測問題に対して本モデルを適用し, 高精度製造における重要な要素である。モデルのトレーニングには、異なるスピンドル速度を用いて、広範囲なミリング実験によって得られたカスタムデータセットを使用し、カスタムフィーチャーマップで拡張する。その結果,量子コンピューティングが実世界のアプリケーションにMLモデルをデプロイできることを示すことによって,物理装置で観測される安定性の限界を正確に予測できることが示唆された。

関連論文リスト

Universal replication of chaotic characteristics by classical and quantum machine learning [0.0]
変動量子回路は、長期記憶よりも高い精度で長期特性を再現できることを示す。以上の結果から,量子回路モデルは過適合を緩和し,高い精度と安定性を達成できる可能性が示唆された。
論文参考訳（メタデータ） (2024-05-14T10:12:47Z)
Data-freeWeight Compress and Denoise for Large Language Models [101.53420111286952]
パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
論文参考訳（メタデータ） (2024-02-26T05:51:47Z)
RQP-SGD: Differential Private Machine Learning through Noisy SGD and Randomized Quantization [8.04975023021212]
我々は、機械学習モデルをトレーニングするためのプライバシー保護量子化の新しいアプローチであるRQP-SGDを提案する。このアプローチは、微分プライベートな勾配降下とランダムな量子化を組み合わせることで、測定可能なプライバシー保証を提供する。
論文参考訳（メタデータ） (2024-02-09T18:34:08Z)
First-Order Phase Transition of the Schwinger Model with a Quantum Computer [0.0]
格子シュウィンガーモデルにおける一階位相遷移を位相的$theta$-termの存在下で検討する。本研究では, モデルの位相構造を明らかにする観測可能な電場密度と粒子数が, 量子ハードウェアから確実に得られることを示す。
論文参考訳（メタデータ） (2023-12-20T08:27:49Z)
PreQuant: A Task-agnostic Quantization Approach for Pre-trained Language Models [52.09865918265002]
ファインチューニングのフレームワークPreQuantに先立って,新しい量子化を提案する。 PreQuantは様々な量子化戦略と互換性があり、インダクションされた量子化誤差を修正するために、アウタリア対応の微調整が組み込まれている。 BERT,RoBERTa,T5を用いたGLUEベンチマークにおけるPreQuantの有効性を示す。
論文参考訳（メタデータ） (2023-05-30T08:41:33Z)
Sharp Calibrated Gaussian Processes [58.94710279601622]
キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
論文参考訳（メタデータ） (2023-02-23T12:17:36Z)
Distributional Learning of Variational AutoEncoder: Application to Synthetic Data Generation [0.7614628596146602]
本稿では,VAEフレームワークの計算上の利点を犠牲にすることなく,モデル容量を拡大する手法を提案する。 VAEモデルのデコーダは、非対称ラプラス分布の無限混合からなる。提案したモデルを合成データ生成に適用し,特にデータプライバシの調整が容易であることを示す。
論文参考訳（メタデータ） (2023-02-22T11:26:50Z)
Fermionic approach to variational quantum simulation of Kitaev spin models [50.92854230325576]
キタエフスピンモデルは、自由フェルミオンへの写像を通じて、あるパラメータ状態において正確に解けることで知られている。古典的なシミュレーションを用いて、このフェルミオン表現を利用する新しい変分アンザッツを探索する。また、量子コンピュータ上での非アベリアオンをシミュレートするための結果の意味についてもコメントする。
論文参考訳（メタデータ） (2022-04-11T18:00:01Z)
Direct parameter estimations from machine-learning enhanced quantum state tomography [3.459382629188014]
機械学習による量子状態トモグラフィ(QST)は、量子状態に関する完全な情報を抽出する際の利点を実証している。我々は,目標パラメータを直接生成することにより,高性能で軽量で容易に教師付き特性モデルを構築する。このような特性モデルに基づく ML-QST は、ヒルベルト空間を扱う問題を回避することができるが、高い精度で特徴抽出を維持することができる。
論文参考訳（メタデータ） (2022-03-30T15:16:02Z)
Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
論文参考訳（メタデータ） (2022-01-21T16:35:35Z)
Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文参考訳（メタデータ） (2021-06-24T15:58:57Z)

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。