論文の概要: Hyperspectral image segmentation with a machine learning model trained using quantum annealer

• arxiv url: http://arxiv.org/abs/2503.01400v1
• Date: Mon, 03 Mar 2025 10:57:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:25:54.058983
• Title: Hyperspectral image segmentation with a machine learning model trained using quantum annealer
• Title（参考訳）: 量子アニールを用いた機械学習モデルによるハイパースペクトル画像分割
• Authors: Dawid Mazur, Tomasz Rybotycki, Piotr Gawron,
• Abstract要約: 本研究では, 量子アニールの応用が, トレーニングモデルにおけるエネルギーコストの低減につながる可能性について検討した。 量子アニールを用いてトレーニングしたモデルは、代替アルゴリズムを用いてトレーニングしたモデルより優れているか、少なくとも同等であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Training of machine learning models consumes large amounts of energy. Since the energy consumption becomes a major problem in the development and implementation of artificial intelligence systems there exists a need to investigate the ways to reduce use of the resources by these systems. In this work we study how application of quantum annealers could lead to reduction of energy cost in training models aiming at pixel-level segmentation of hyperspectral images. Following the results of QBM4EO team, we propose a classical machine learning model, partially trained using quantum annealer, for hyperspectral image segmentation. We show that the model trained using quantum annealer is better or at least comparable with models trained using alternative algorithms, according to the preselected, common metrics. While direct energy use comparison does not make sense at the current stage of quantum computing technology development, we believe that our work proves that quantum annealing should be considered as a tool for training at least some machine learning models.
• Abstract（参考訳）: 機械学習モデルのトレーニングは大量のエネルギーを消費する。 人工知能システムの開発と実装においてエネルギー消費が大きな問題となるため、これらのシステムによる資源の使用を減らす方法を検討する必要がある。 本研究では,ハイパースペクトル画像の画素レベルのセグメンテーションを目的としたトレーニングモデルにおいて,量子アニールの応用がエネルギーコストの低減につながる可能性について検討する。 QBM4EOチームの結果に続き、超スペクトル画像分割のための量子アニールを用いて部分的に訓練された古典的機械学習モデルを提案する。 予備選択された一般的なメトリクスによると、量子アニールを用いてトレーニングされたモデルは、代替アルゴリズムを用いてトレーニングされたモデルと、より良く、少なくとも同等であることを示す。 直接エネルギー利用比較は、量子コンピューティング技術の現段階では意味をなさないが、我々の研究は、少なくともいくつかの機械学習モデルをトレーニングするためのツールとして量子アニールが考慮されるべきであるということを証明していると信じている。

関連論文リスト

• Quantum Latent Diffusion Models [65.16624577812436]
  本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。 これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。 この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
  論文  参考訳（メタデータ） (2025-01-19T21:24:02Z)
• Quantum-Train: Rethinking Hybrid Quantum-Classical Machine Learning in the Model Compression Perspective [7.7063925534143705]
  本稿では,量子コンピューティングと機械学習アルゴリズムを統合する新しいアプローチであるQuantum-Train(QT)フレームワークを紹介する。 QTは、古典的なマッピングモデルと並んで量子ニューラルネットワークを利用することで、顕著な結果を得る。
  論文  参考訳（メタデータ） (2024-05-18T14:35:57Z)
• Nonnegative/Binary Matrix Factorization for Image Classification using Quantum Annealing [0.0]
  画像分類のための量子アニールを用いた行列分解法を実装した。 以上の結果から,NAMFで訓練したモデルの精度は,データ量,特徴量,エポックスが小さい場合,従来の機械学習手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-02T06:41:27Z)
• A general learning scheme for classical and quantum Ising machines [0.0]
  本稿では,Ising構造に基づく機械学習モデルを提案する。 提案した学習モデルのトレーニングと実行に関する実験結果を示す。 特に量子領域では、量子リソースはモデルの実行とトレーニングの両方に使用され、量子機械学習において有望な視点を提供する。
  論文  参考訳（メタデータ） (2023-10-27T18:07:02Z)
• 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)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Generative model for learning quantum ensemble via optimal transport loss [0.9404723842159504]
  量子アンサンブルを学習できる量子生成モデルを提案する。 提案したモデルは、量子デバイスのヘルスチェックのような幅広い応用の道を開く。
  論文  参考訳（メタデータ） (2022-10-19T17:35:38Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• A Review of Machine Learning Classification Using Quantum Annealing for Real-world Applications [1.8047694351309205]
  物理量子アニールの実装は、D-Waveシステムによって実現されている。 量子アニールを用いた各種機械学習アプリケーションに関する最近の実験結果から興味深い結果が得られた。 我々は、画像認識、リモートセンシング画像、計算生物学、粒子物理学などの応用のために、D-Wave量子アニールを用いた実験を議論し、分析する。
  論文  参考訳（メタデータ） (2021-06-05T21:15:34Z)
• Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
  本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。 我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
  論文  参考訳（メタデータ） (2020-12-07T18:51:28Z)

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。