論文の概要: Benchmarking MedMNIST dataset on real quantum hardware
- arxiv url: http://arxiv.org/abs/2502.13056v2
- Date: Wed, 19 Mar 2025 19:21:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-21 16:32:13.795229
- Title: Benchmarking MedMNIST dataset on real quantum hardware
- Title（参考訳）: 実量子ハードウェア上でのMedMNISTデータセットのベンチマーク
- Authors: Gurinder Singh, Hongni Jin, Kenneth M. Merz Jr,
- Abstract要約: 量子機械学習(QML)は、複雑な分類タスクを解決するために量子システムの計算能力を活用する、有望な領域として登場した。
MedMNISTは、127量子ビットの実際のIBM量子ハードウェア上での医療画像データセットの多種多様なコレクションである。
本研究では、デバイス対応量子回路、エラー抑制、医用画像分類の緩和など、最近の量子コンピューティングの進歩について検討する。
- 参考スコア（独自算出の注目度）: 1.874615333573157
- License:
- Abstract: Quantum machine learning (QML) has emerged as a promising domain to leverage the computational capabilities of quantum systems to solve complex classification tasks. In this work, we present the first comprehensive QML study by benchmarking the MedMNIST-a diverse collection of medical imaging datasets on a 127-qubit real IBM quantum hardware, to evaluate the feasibility and performance of quantum models (without any classical neural networks) in practical applications. This study explores recent advancements in quantum computing such as device-aware quantum circuits, error suppression, and mitigation for medical image classification. Our methodology is comprised of three stages: preprocessing, generation of noise-resilient and hardware-efficient quantum circuits, optimizing/training of quantum circuits on classical hardware, and inference on real IBM quantum hardware. Firstly, we process all input images in the preprocessing stage to reduce the spatial dimension due to quantum hardware limitations. We generate hardware-efficient quantum circuits using backend properties expressible to learn complex patterns for medical image classification. After classical optimization of QML models, we perform inference on real quantum hardware. We also incorporate advanced error suppression and mitigation techniques in our QML workflow, including dynamical decoupling (DD), gate twirling, and matrix-free measurement mitigation (M3) to mitigate the effects of noise and improve classification performance. The experimental results showcase the potential of quantum computing for medical imaging and establish a benchmark for future advancements in QML applied to healthcare.
- Abstract（参考訳）: 量子機械学習(QML)は、複雑な分類タスクを解決するために量子システムの計算能力を活用する、有望な領域として登場した。
本稿では、MedMNIST(127量子ビットの実量子ハードウェア上での医療画像データセットの多種多様な集合)をベンチマークして、量子モデルの実現可能性と性能(古典的ニューラルネットワークを使わず)を評価することによる、最初の総合的なQML研究について述べる。
本研究では、デバイス対応量子回路、エラー抑制、医用画像分類の緩和など、最近の量子コンピューティングの進歩について検討する。
提案手法は,前処理,ノイズ耐性およびハードウェア効率のよい量子回路の生成,古典的ハードウェア上での量子回路の最適化と学習,IBMの実際の量子ハードウェア上での推論の3段階からなる。
まず,前処理段階の全ての入力画像を処理し,量子ハードウェアの限界による空間次元の低減を図る。
バックエンド特性を表現可能なハードウェア効率の良い量子回路を生成し、医用画像分類のための複雑なパターンを学習する。
QMLモデルの古典的な最適化の後、実量子ハードウェア上で推論を行う。
また、動的デカップリング(DD)、ゲートツワイリング(英語版)、マトリックスフリー計測緩和(M3)など、QMLワークフローに高度なエラー抑制と緩和技術を導入し、ノイズの影響を緩和し、分類性能を向上させる。
実験結果は、医療画像のための量子コンピューティングの可能性を示し、医療に適用されるQMLの今後の進歩のベンチマークを確立する。
関連論文リスト
- Exploring Quantum-Enhanced Machine Learning for Computer Vision: Applications and Insights on Noisy Intermediate-Scale Quantum Devices [0.0]
本研究では,量子コンピューティングと機械学習(ML)の交わりについて検討する。
小型量子デバイスにおけるデータ再ロード方式やGAN(Generative Adversarial Networks)モデルなどのハイブリッド量子古典アルゴリズムの有効性を評価する。
論文 参考訳（メタデータ） (2024-04-01T20:55:03Z) - 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) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - Hybrid quantum transfer learning for crack image classification on NISQ
hardware [62.997667081978825]
グレー値画像のひび割れ検出に量子転送学習を適用した。
我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
論文 参考訳（メタデータ） (2023-07-31T14:45:29Z) - Quantum Machine Learning on Near-Term Quantum Devices: Current State of Supervised and Unsupervised Techniques for Real-World Applications [1.7041248235270652]
この調査は、量子ハードウェア上で実行される教師なしおよび教師なしの学習アプリケーションに焦点を当てる。
エンコーディング、アンサッツ構造、エラー軽減、これらの課題に対処するための勾配法といったテクニックをカバーしている。
論文 参考訳（メタデータ） (2023-07-03T10:12:34Z) - Quantum-Error-Mitigation Circuit Groups for Noisy Quantum Metrology [0.0]
量子技術は、量子コヒーレンスや量子絡み合いのような量子系に固有の性質を利用する。
量子技術は環境との相互作用(デコヒーレンス)に対して脆弱であり、それらを高精度に活用するにはエラー軽減技術を開発する必要がある。
論文 参考訳（メタデータ） (2023-03-03T10:01:42Z) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳（メタデータ） (2023-01-04T23:37:45Z) - 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) - A Quantum Hopfield Associative Memory Implemented on an Actual Quantum
Processor [8.024434062411943]
本稿では,量子ホップフィールド連想メモリ(QHAM)について述べる。
QHAMは、多くの異なる機械学習アプリケーションに使用できる量子ニューロン設計に基づいている。
我々は、QHAMを量子ビットおよび回路レベルのエラーに対して有効メモリ容量をテストすることでベンチマークし、量子ハードウェアのNISQ時代におけるその能力を実証する。
論文 参考訳（メタデータ） (2021-05-25T00:45:57Z) - Neural Error Mitigation of Near-Term Quantum Simulations [0.0]
ニューラルネットワークを用いて地下状態と地下状態の観測器の推定を改善する新しい方法である$textitneural error mitigation$を紹介します。
その結果, ニューラルエラーの低減により, 数値計算と実験的VQE計算が向上し, 低エネルギー誤差が得られた。
提案手法は,複雑な量子シミュレーション問題を解くために,短期量子コンピュータの到達範囲を広げる有望な戦略である。
論文 参考訳（メタデータ） (2021-05-17T18:00:57Z) - 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)
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。