論文の概要: Modeling Feature Maps for Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2501.08205v1
• Date: Tue, 14 Jan 2025 15:45:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-15 13:26:36.823622
• Title: Modeling Feature Maps for Quantum Machine Learning
• Title（参考訳）: 量子機械学習のための特徴マップのモデル化
• Authors: Navneet Singh, Shiva Raj Pokhrel,
• Abstract要約: 本研究では、様々な量子ノイズモデルがキー量子機械学習(QML)アルゴリズムにどのように影響するかを体系的に評価する。 その結果,QSVCは特に雑音下では頑健であるのに対し,Peg-QSVCとQNNはより感度が高く,特に脱分極および振幅減衰ノイズに対して顕著であることがわかった。 これらの結果は,QMLをゲノム分類に最適化する上で,特徴マップの選択とノイズ緩和戦略の重要性を浮き彫りにした。
• 参考スコア（独自算出の注目度）: 12.248184406275405
• License:
• Abstract: Quantum Machine Learning (QML) offers significant potential for complex tasks like genome sequence classification, but quantum noise on Noisy Intermediate-Scale Quantum (NISQ) devices poses practical challenges. This study systematically evaluates how various quantum noise models including dephasing, amplitude damping, depolarizing, thermal noise, bit-flip, and phase-flip affect key QML algorithms (QSVC, Peg-QSVC, QNN, VQC) and feature mapping techniques (ZFeatureMap, ZZFeatureMap, and PauliFeatureMap). Results indicate that QSVC is notably robust under noise, whereas Peg-QSVC and QNN are more sensitive, particularly to depolarizing and amplitude-damping noise. The PauliFeatureMap is especially vulnerable, highlighting difficulties in maintaining accurate classification under noisy conditions. These findings underscore the critical importance of feature map selection and noise mitigation strategies in optimizing QML for genomic classification, with promising implications for personalized medicine.
• Abstract（参考訳）: 量子機械学習(Quantum Machine Learning, QML)は、ゲノム配列の分類のような複雑なタスクに対して重要なポテンシャルを提供するが、ノイズのある中間量子(NISQ)デバイス上の量子ノイズは、実用的な課題をもたらす。 本研究では, 劣化, 振幅減衰, 脱分極, 熱雑音, ビットフリップ, 位相フリップなどの様々な量子ノイズモデルがキーQMLアルゴリズム (QSVC, Peg-QSVC, QNN, VQC) と特徴マッピング技術 (ZFeatureMap, ZZFeatureMap, PauliFeatureMap) にどのように影響するかを系統的に評価した。 その結果,QSVCは特に雑音下では頑健であるのに対し,Peg-QSVCとQNNはより感度が高く,特に脱分極および振幅減衰ノイズに対して顕著であることがわかった。 PauliFeatureMapは特に脆弱性があり、ノイズの多い条件下で正確な分類を維持するのが困難であることを強調している。 これらの知見は,QMLをゲノム分類に最適化する上で,特徴マップの選択とノイズ緩和戦略が重要であり,パーソナライズド医療に有望な意味を持つことを示す。

関連論文リスト

• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• Lindblad-like quantum tomography for non-Markovian quantum dynamical maps [46.350147604946095]
  本稿では,Lindblad-like quantum tomography (L$ell$QT) を量子情報プロセッサにおける時間相関ノイズの量子的特徴付け手法として紹介する。 単一量子ビットの強調力学について、L$ell$QT を詳細に論じ、量子進化の複数のスナップショットを可能性関数に含めることの重要性を正確に理解することができる。
  論文  参考訳（メタデータ） (2024-03-28T19:29:12Z)
• Benchmarking Quantum Generative Learning: A Study on Scalability and Noise Resilience using QUARK [0.3624329910445628]
  本稿では,量子生成学習アプリケーションのスケーラビリティと耐雑音性について検討する。 厳密なベンチマーク手法を用いて、進捗を追跡し、QMLアルゴリズムのスケーリングにおける課題を特定する。 その結果,QGANはQCBMほど次元の呪いの影響を受けず,QCBMはノイズに耐性があることがわかった。
  論文  参考訳（メタデータ） (2024-03-27T15:05:55Z)
• GQHAN: A Grover-inspired Quantum Hard Attention Network [53.96779043113156]
  GQHAM(Grover-inspired Quantum Hard Attention Mechanism)を提案する。 GQHANは、既存の量子ソフト自己保持機構の有効性を超越して、非微分可能性ハードルをかなり上回っている。 GQHANの提案は、将来の量子コンピュータが大規模データを処理する基盤を築き、量子コンピュータビジョンの開発を促進するものである。
  論文  参考訳（メタデータ） (2024-01-25T11:11:16Z)
• Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity [55.399230250413986]
  上流タスクから有害なセマンティックノイズを除去するためのQFM-IQM(Quality-Aware Feature Matching IQA Metric)を提案する。 提案手法は,8つの標準IQAデータセット上での最先端NR-IQA法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-12-11T06:50:27Z)
• QuantumNAT: Quantum Noise-Aware Training with Noise Injection, Quantization and Normalization [22.900530292063348]
  量子回路(PQC)は、短期量子ハードウェアにおける量子優位性を約束している。 しかし、大きな量子ノイズ(エラー)のため、PQCモデルの性能は実際の量子デバイスで著しく低下する。 本稿では,PQC固有のフレームワークであるQuantumNATを提案する。
  論文  参考訳（メタデータ） (2021-10-21T17:59:19Z)
• Pulse-level noisy quantum circuits with QuTiP [53.356579534933765]
  我々はQuTiPの量子情報処理パッケージであるqutip-qipに新しいツールを導入する。 これらのツールはパルスレベルで量子回路をシミュレートし、QuTiPの量子力学解法と制御最適化機能を活用する。 シミュレーションプロセッサ上で量子回路がどのようにコンパイルされ、制御パルスがターゲットハミルトニアンに作用するかを示す。
  論文  参考訳（メタデータ） (2021-05-20T17:06:52Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)
• Quantum Amplitude Estimation in the Presence of Noise [0.0]
  量子振幅推定(Quantum Amplitude Estimation)は、Grover SearchやQuantum Monte-Carlo法など、いくつかの重要な量子アルゴリズムにおいて重要なサブルーチンである。 ノイズの多い量子デバイスでQAEを実装するための障害は、サブルーチンとして量子位相推定を実行する必要があることである。 提案手法では, 高精度なノイズ特性を考慮し, より深い回路で達成される理想的な性能とのトレードオフをバランスさせるスケジュールを選択する必要がある。
  論文  参考訳（メタデータ） (2020-06-25T03:01:58Z)

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。