論文の概要: Neural quantum embedding via deterministic quantum computation with one qubit
- arxiv url: http://arxiv.org/abs/2501.15359v1
- Date: Sun, 26 Jan 2025 01:33:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-28 13:55:59.415996
- Title: Neural quantum embedding via deterministic quantum computation with one qubit
- Title（参考訳）: 1量子ビットを用いた決定論的量子計算によるニューラル量子埋め込み
- Authors: Hongfeng Liu, Tak Hur, Shitao Zhang, Liangyu Che, Xinyue Long, Xiangyu Wang, Keyi Huang, Yu-ang Fan, Yuxuan Zheng, Yufang Feng, Xinfang Nie, Daniel K. Park, Dawei Lu,
- Abstract要約: 1量子ビット(DQC1)を用いた決定論的量子計算に基づくニューラル量子埋め込み(NQE)手法を提案する。
NQEは、古典データの異なるカテゴリに対応する量子状態間のトレース距離を最大化するためにニューラルネットワークを訓練する。
我々は、NQE-DQC1プロトコルが拡張可能であることを示し、NQEトレーニングにNMRシステムを使用することを可能にした。
- 参考スコア（独自算出の注目度）: 3.360317485898423
- License:
- Abstract: Quantum computing is expected to provide exponential speedup in machine learning. However, optimizing the data loading process, commonly referred to as quantum data embedding, to maximize classification performance remains a critical challenge. In this work, we propose a neural quantum embedding (NQE) technique based on deterministic quantum computation with one qubit (DQC1). Unlike the traditional embedding approach, NQE trains a neural network to maximize the trace distance between quantum states corresponding to different categories of classical data. Furthermore, training is efficiently achieved using DQC1, which is specifically designed for ensemble quantum systems, such as nuclear magnetic resonance (NMR). We validate the NQE-DQC1 protocol by encoding handwritten images into NMR quantum processors, demonstrating a significant improvement in distinguishability compared to traditional methods. Additionally, after training the NQE, we implement a parameterized quantum circuit for classification tasks, achieving 98\% classification accuracy, in contrast to the 54\% accuracy obtained using traditional embedding. Moreover, we show that the NQE-DQC1 protocol is extendable, enabling the use of the NMR system for NQE training due to its high compatibility with DQC1, while subsequent machine learning tasks can be performed on other physical platforms, such as superconducting circuits. Our work opens new avenues for utilizing ensemble quantum systems for efficient classical data embedding into quantum registers.
- Abstract（参考訳）: 量子コンピューティングは、機械学習における指数的なスピードアップを提供すると期待されている。
しかし、分類性能を最大化するために、一般に量子データ埋め込み(quantum data embeddeding)と呼ばれるデータローディングプロセスを最適化することは、重要な課題である。
本研究では,1量子ビット(DQC1)を用いた決定論的量子計算に基づくニューラル量子埋め込み(NQE)手法を提案する。
従来の埋め込みアプローチとは異なり、NQEは古典データの異なるカテゴリに対応する量子状態間のトレース距離を最大化するためにニューラルネットワークを訓練する。
さらに、核磁気共鳴(NMR)のような量子系をアンサンブルするために特別に設計されたDQC1を用いて、トレーニングを効率的に行うことができる。
我々は手書き画像をNMR量子プロセッサに符号化することでNQE-DQC1プロトコルを検証する。
さらに,NQE のトレーニング後,従来の埋め込みを用いた 54 % の精度に対して,98 % の分類精度を達成できるパラメータ化量子回路を実装した。
さらに、NQE-DQC1プロトコルは拡張可能であり、DQC1との高互換性のため、NQEトレーニングにNMRシステムを使用することが可能である一方で、その後の機械学習タスクは超伝導回路などの他の物理プラットフォーム上で実行可能であることを示す。
我々の研究は、エンサンブル量子システムを利用した量子レジスタへの効率的な古典的データ埋め込みのための新たな道を開く。
関連論文リスト
- Expressivity of deterministic quantum computation with one qubit [3.399289369740637]
量子機械学習モデルとしてパラメータ化DQC1を導入する。
DQC1は普遍計算に基づく量子ニューラルネットワークと同じくらい強力であることを示す。
論文 参考訳（メタデータ） (2024-11-05T02:46:27Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - Splitting and Parallelizing of Quantum Convolutional Neural Networks for
Learning Translationally Symmetric Data [0.0]
分割並列化QCNN(sp-QCNN)と呼ばれる新しいアーキテクチャを提案する。
量子回路を翻訳対称性に基づいて分割することにより、sp-QCNNはキュービット数を増やすことなく従来のQCNNを実質的に並列化することができる。
本稿では,sp-QCNNが従来のQCNNと同等の分類精度を達成でき,必要な測定資源を大幅に削減できることを示す。
論文 参考訳（メタデータ） (2023-06-12T18:00:08Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳（メタデータ） (2022-11-09T21:43:16Z) - Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる
本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。
その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文 参考訳（メタデータ） (2022-09-01T17:08:41Z) - QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks [71.14713348443465]
可変量子回路(VQC)上に量子埋め込みを行うためのトレーニング可能な量子テンソルネットワーク(QTN)を導入する。
QTNは、量子埋め込みの生成から出力測定まで、エンドツーエンドのパラメトリックモデルパイプライン、すなわちQTN-VQCを可能にする。
MNISTデータセットに対する我々の実験は、他の量子埋め込み手法に対する量子埋め込みに対するQTNの利点を実証している。
論文 参考訳（メタデータ） (2021-10-06T14:44:51Z) - Realizing Quantum Convolutional Neural Networks on a Superconducting
Quantum Processor to Recognize Quantum Phases [2.1465372441653354]
量子ニューラルネットワークは、ユニタリ演算、測定、フィードフォワードの約束を組み合わせることで、量子状態の特定の特徴を認識するように調整され、少ない測定とエラーを許容する。
我々は、7量子ビット超伝導量子プロセッサ上で量子畳み込みニューラルネットワーク(QCNN)を実現し、非ゼロ弦順序パラメータを特徴とするスピンモデルの対称性保護位相を同定する。
その結果,QCNNは有限忠実ゲート自体で構成されているにもかかわらず,用意された状態に対する弦順パラメータの直接測定よりも位相位相を高い忠実度で認識していることがわかった。
論文 参考訳（メタデータ） (2021-09-13T12:32:57Z) - Quantum convolutional neural network for classical data classification [0.8057006406834467]
古典データ分類のための完全パラメータ化量子畳み込みニューラルネットワーク(QCNN)をベンチマークする。
本稿では,CNNにインスパイアされた量子ニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T06:48:34Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-30T12:19:27Z) - Hybrid quantum-classical classifier based on tensor network and
variational quantum circuit [0.0]
本稿では、量子インスパイアされたテンソルネットワーク(TN)と変分量子回路(VQC)を組み合わせて教師付き学習タスクを行うハイブリッドモデルを提案する。
低結合次元の行列積状態に基づくTNは、MNISTデータセットのバイナリ分類において、VQCの入力のためのデータを圧縮する特徴抽出器としてPCAよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-30T09:43:59Z)
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。