Fugu-MT 論文翻訳(概要): Equivalence between exponential concentration in quantum machine learning kernels and barren plateaus in variational algorithms

論文の概要: Equivalence between exponential concentration in quantum machine learning kernels and barren plateaus in variational algorithms

arxiv url: http://arxiv.org/abs/2501.07433v1
Date: Mon, 13 Jan 2025 16:01:26 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-14 14:23:29.126035
Title: Equivalence between exponential concentration in quantum machine learning kernels and barren plateaus in variational algorithms
Title（参考訳）: 量子機械学習カーネルにおける指数集中と変分アルゴリズムにおけるバレンプラトーの等価性
Authors: Pranav Kairon, Jonas Jäger, Roman V. Krems,
Abstract要約: 本研究では,変分量子アルゴリズムにおけるバレンプラトー(BP)間の厳密な接続と,機械学習のための量子カーネルの指数集中を定式化する。この結果から,BPフリーな量子回路を構築するための提案手法が,機械学習に有用な量子カーネルの構築に有効であることが示唆された。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: We formalize a rigorous connection between barren plateaus (BP) in variational quantum algorithms and exponential concentration of quantum kernels for machine learning. Our results imply that recently proposed strategies to build BP-free quantum circuits can be utilized to construct useful quantum kernels for machine learning. This is illustrated by a numerical example employing a provably BP-free quantum neural network to construct kernel matrices for classification datasets of increasing dimensionality without exponential concentration.
Abstract（参考訳）: 本研究では,変分量子アルゴリズムにおけるバレンプラトー(BP)間の厳密な接続と,機械学習のための量子カーネルの指数集中を定式化する。この結果から,BPフリーな量子回路を構築するための提案手法が,機械学習に有用な量子カーネルの構築に有効であることが示唆された。これはBPフリーな量子ニューラルネットワークを用いて指数集中を伴わない次元の増大するデータセットを分類するためのカーネル行列を構築する数値的な例によって説明される。

関連論文リスト

Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文参考訳（メタデータ） (2024-08-22T08:21:28Z)
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)
Quadratic speed-ups in quantum kernelized binary classification [1.3812010983144802]
量子カーネルをデータ間の類似性の尺度として使用するいくつかの量子機械学習アルゴリズムが登場し、量子状態として符号化されたデータセットのバイナリ分類を実行するようになった。本稿では,QKCに対する新しい量子回路を提案し,量子ビットの数を1つ減らし,サンプルデータに対して回路深さを線形に減らした。 Irisデータセットの数値シミュレーションにより,従来の手法よりも2次的な高速化を検証した。
論文参考訳（メタデータ） (2024-03-26T07:39:48Z)
Power Characterization of Noisy Quantum Kernels [52.47151453259434]
一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
論文参考訳（メタデータ） (2024-01-31T01:02:16Z)
Coreset selection can accelerate quantum machine learning models with provable generalization [6.733416056422756]
量子ニューラルネットワーク(QNN)と量子カーネルは、量子機械学習の領域において顕著な存在である。我々は、QNNと量子カーネルのトレーニングを高速化することを目的とした、コアセット選択という統一的なアプローチを提案する。
論文参考訳（メタデータ） (2023-09-19T08:59:46Z)
A powered full quantum eigensolver for energy band structures [8.763736858332704]
フル量子固有解器(FQE)の演算子の指数を用いたパワーフル量子固有解器(P-FQE)を提案する。グラフェンおよびワイル半金属の超伝導量子コンピュータを用いたP-FQEアルゴリズムの有効性とロバスト性を実験的に実証した。
論文参考訳（メタデータ） (2023-08-06T15:03:07Z)
The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文参考訳（メタデータ） (2022-12-22T16:06:24Z)
Noisy Quantum Kernel Machines [58.09028887465797]
量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
論文参考訳（メタデータ） (2022-04-26T09:52:02Z)
Optimal quantum kernels for small data classification [0.0]
本稿では,量子ゲートシーケンスをデータに適応させるベクトルマシンをサポートするために,量子カーネルを構築するアルゴリズムを示す。少数のトレーニングポイントを持つ分類問題に対する結果の量子モデルの性能は、最適化された古典モデルよりも著しく高い。
論文参考訳（メタデータ） (2022-03-25T18:26:44Z)
Expanding variational quantum eigensolvers to larger systems by dividing the calculations between classical and quantum hardware [0.0]
限られた資源を持つ量子コンピュータ上で、多粒子ハミルトニアンの固有値問題を効率的に解くためのハイブリッド古典量子アルゴリズムを提案する。このアルゴリズムは、より多くの量子評価を犠牲にして必要となる量子ビット数を減少させる。
論文参考訳（メタデータ） (2021-12-09T17:37:41Z)
Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。