論文の概要: Entangled mixed-state datasets generation by quantum machine learning
- arxiv url: http://arxiv.org/abs/2503.06452v1
- Date: Sun, 09 Mar 2025 05:19:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-11 15:47:20.328038
- Title: Entangled mixed-state datasets generation by quantum machine learning
- Title（参考訳）: 量子機械学習による絡み合った混合状態データセットの生成
- Authors: Ruibin Xu, Zheng Zheng, Yanying Liang, Zhu-Jun Zheng,
- Abstract要約: 本稿では,絡み合った分類タスクのための混合状態データセットを生成する方法を提案する。
量子エンタングルドデータセットの組み立てをさらに促進し、古典的および量子機械学習の両方で新しいエンタングルメント基準の発見を促す。
- 参考スコア（独自算出の注目度）: 1.5467284361227343
- License:
- Abstract: The advancement of classical machine learning is inherently linked to the establishment and progression of classical dataset. In quantum machine learning (QML), there is an analogous imperative for the development of quantum entangled datasets comprised with huge quantity and high quality. Especially for multipartite mixed-state datasets, due to the lack of suitable entanglement criteria, previous researchers often could only perform classification tasks on datasets extended based on Werner states or other well-structured states. This paper is dedicated to provide a method for generating mixed-state datasets for entangled-separable classification tasks. This method is based on supervised quantum machine learning and the concentratable entanglement measures. It furthers the assembly of quantum entangled datasets, inspires the discovery of new entanglement criteria with both classical and quantum machine learning, and provides a valuable resource for benchmarking QML models, thereby opening new avenues for exploring the rich structure of quantum entanglement in mixed states. Additionally, we benchmark several machine learning models using this dataset, offering guidance and suggestions for the selection of QML models.
- Abstract（参考訳）: 古典的な機械学習の進歩は、古典的なデータセットの確立と進化に本質的に関連している。
量子機械学習(QML)では、膨大な量と高品質からなる量子絡み合ったデータセットを開発するための類似の命令が存在する。
特にマルチパーティの混合状態データセットでは、適切な絡み合い基準が欠如しているため、以前の研究者はワーナー状態や他のよく構造化された状態に基づいて拡張されたデータセットの分類タスクしか実行できなかった。
本稿では,絡み合った分離可能な分類タスクのための混合状態データセットを生成する方法を提案する。
この方法は、教師付き量子機械学習と集中型絡み合い尺度に基づく。
量子絡み合ったデータセットの組み立てをさらに促進し、古典的および量子機械学習の両方で新しい絡み合い基準の発見を促し、QMLモデルをベンチマークするための貴重なリソースを提供し、混合状態における量子絡み合いのリッチな構造を探索するための新しい道を開く。
さらに、このデータセットを用いて機械学習モデルをベンチマークし、QMLモデルの選択に関するガイダンスと提案を提供する。
関連論文リスト
- QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳（メタデータ） (2023-08-25T15:08:19Z) - 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) - When BERT Meets Quantum Temporal Convolution Learning for Text
Classification in Heterogeneous Computing [75.75419308975746]
本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。
目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
論文 参考訳（メタデータ） (2022-02-17T09:55:21Z) - Binary classifiers for noisy datasets: a comparative study of existing
quantum machine learning frameworks and some new approaches [0.0]
バイナリ分類を改善するためにQuantum Machine Learningフレームワークを適用した。
ノイズの多いデータセットは 財務的なデータセットの中にあります
新しいモデルでは、データセットの非対称ノイズに対する学習特性が向上する。
論文 参考訳（メタデータ） (2021-11-05T10:29:05Z) - Entangled Datasets for Quantum Machine Learning [0.0]
代わりに量子状態からなる量子データセットを使うべきだと我々は主張する。
NTangledデータセットの状態を生成するために量子ニューラルネットワークをどのように訓練するかを示す。
また、拡張性があり、量子回路によって準備された状態で構成される、別の絡み合いベースのデータセットについても検討する。
論文 参考訳（メタデータ） (2021-09-08T02:20:13Z) - QDataset: Quantum Datasets for Machine Learning [1.160208922584163]
QDataSetは、QMLアルゴリズムのトレーニングと開発を容易にするために設計された量子データセットである。
データセットは、機械学習の実践者がQDataSetを使用して、応用量子計算の問題を解決するために、豊富な情報を提供するように構成されている。
関連するGitHubリポジトリのデータセットは、さまざまな最適化コンテキストにおけるQDataSetの使用を実証するセットである。
論文 参考訳（メタデータ） (2021-08-15T05:30:59Z) - Clustering and enhanced classification using a hybrid quantum
autoencoder [0.0]
本稿では,量子状態から情報を抽出する手法を提案する。
この変分QMLアルゴリズムは、それらの重要な識別特性を識別し、古典的に表現することを学ぶ。
HQAモデルの解析と利用は振幅符号化状態の文脈で述べる。
論文 参考訳（メタデータ） (2021-07-26T06:50:31Z) - 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) - Quantum Machine Learning with SQUID [64.53556573827525]
分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。
本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
論文 参考訳（メタデータ） (2021-04-30T21:34:11Z)
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。