論文の概要: Data Encoding for VQC in Qiskit, A Comparison With Novel Hybrid Encoding

• arxiv url: http://arxiv.org/abs/2503.14062v1
• Date: Tue, 18 Mar 2025 09:36:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:14:28.493587
• Title: Data Encoding for VQC in Qiskit, A Comparison With Novel Hybrid Encoding
• Title（参考訳）: QiskitにおけるVQCデータの符号化 : 新しいハイブリッド符号化との比較
• Authors: Hillol Biswas,
• Abstract要約: 振幅符号化は必要な量子ビットを減らすため、アングル符号化は状態の自由を良くし、表現的符号化や位相に基づく区別に使用される。 本稿では,Amplitudeエンコーディングが要求されるqubitを削減し,Angleエンコーディングが状態自由度を向上し,表現的エンコーディングや位相に基づく区別に使用されることにより,効率的なqubit使用が保証されることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: If quantum machine learning emulates the ways of classical machine learning, data encoding in a quantum neural network is imperative for many reasons. One of the key ones is the complexity attributed to the data size depending upon the features and types, which is the essence of machine learning. While the standard various encoding techniques exist for quantum computing, hybrid one is not among many, though it tends to offer some distinct advantages, viz. efficient qubits utilization and increased entanglement, which fits well for variation quantum classifier algorithm by manipulating the essential criteria of ZZFeatureMaps and RealAmplitudes. While Amplitude encoding can turn traits normalized into quantum amplitudes, encoding an angle by using Ry gates to encode feature values into rotation angles, and phase encoding by using Rz gates to encode extra feature information as phase is plausible to combine all together. By combining these three methods, this paper demonstrates that efficient qubit usage is ensured as Amplitude encoding reduces the required qubits, Angle encoding makes state freedom better and is used for expressive encoding, and Phase-based distinction. Finally, using classical optimizers, the hybrid encoding technique through VQC is fit in training and testing using a synthetic dataset, and results have been compared to the standard VQC encoding in qiskit machine learning ecosystems.
• Abstract（参考訳）: 量子機械学習が古典的な機械学習のやり方をエミュレートするなら、量子ニューラルネットワークにおけるデータのエンコーディングは多くの理由から必須である。 重要なことの1つは、機械学習の本質である機能やタイプによって、データサイズに起因した複雑さである。 ZZFeatureMapsとRealAmplitudesの基本的な基準を操作することで、量子分類アルゴリズムの変動によく適合する。 振幅符号化は、正規化された特性を量子振幅に変換することができるが、Ryゲートを用いて特徴値を回転角に符号化し、Rzゲートを用いて余分な特徴情報を位相として符号化して全てを結合することができる。 これら3つの手法を組み合わせることで,Amplitudeエンコーディングが要求されるキュービットを削減し,Angleエンコーディングが状態自由を向上し,表現的エンコーディングや位相に基づく区別に使用されることにより,効率的なキュービット使用が保証されることを示す。 最後に、古典的なオプティマイザを用いて、VQCによるハイブリッドエンコーディング技術は、合成データセットを使用したトレーニングとテストに適しており、その結果、qiskit機械学習エコシステムの標準VQCエンコーディングと比較されている。

関連論文リスト

• Comparing Quantum Encoding Techniques [0.0]
  本研究では、特にハイブリッド量子古典機械学習の文脈における符号化手法について検討する。 本研究は,QuClassi量子ニューラルネットワークアーキテクチャを用いて,MNISTデータセットから3'および6'桁のバイナリ分類を行い,精度,エントロピー,損失,ノイズ耐性などの指標を得る。
  論文  参考訳（メタデータ） (2024-10-11T00:14:31Z)
• Accelerating Error Correction Code Transformers [56.75773430667148]
  本稿では,トランスを用いたデコーダの高速化手法を提案する。 最新のハードウェアでは、90%の圧縮比を実現し、算術演算エネルギー消費を少なくとも224倍削減する。
  論文  参考訳（メタデータ） (2024-10-08T11:07:55Z)
• Integrated Encoding and Quantization to Enhance Quanvolutional Neural Networks [2.789685107745028]
  準進化モデルの効率性を高めるための2つの方法を提案する。 まず,任意の符号化手法に適用可能なメモ化を用いたフレキシブルなデータ量子化手法を提案する。 第2に、単一回路における符号化と処理のステップを組み合わせた、新たな統合符号化戦略を導入する。
  論文  参考訳（メタデータ） (2024-10-08T07:57:13Z)
• Empirical Power of Quantum Encoding Methods for Binary Classification [0.2118773996967412]
  我々は、様々な機械学習メトリクスに対する符号化スキームとその効果に焦点を当てる。 具体的には、実世界の複数のデータセットの量子符号化戦略の違いを示すために、実世界のデータ符号化に焦点を当てる。
  論文  参考訳（メタデータ） (2024-08-23T14:34:57Z)
• Testing the Accuracy of Surface Code Decoders [55.616364225463066]
  大規模でフォールトトレラントな量子計算は量子エラー訂正符号(QECC)によって実現される 本研究は,QECC復号方式の精度と有効性をテストするための最初の体系的手法である。
  論文  参考訳（メタデータ） (2023-11-21T10:22:08Z)
• The END: An Equivariant Neural Decoder for Quantum Error Correction [73.4384623973809]
  データ効率のよいニューラルデコーダを導入し、この問題の対称性を活用する。 本稿では,従来のニューラルデコーダに比べて精度の高い新しい同変アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-04-14T19:46:39Z)
• Automated Quantum Memory Compilation with Improved Dynamic Range [0.688204255655161]
  アドレス可能な量子読み取り専用メモリ(QROM)回路がデータエンコード状態生成回路として機能することを示す。 本稿では,3つのデータ符号化手法について検討し,その1つとして動的範囲と精度の向上について述べる。
  論文  参考訳（メタデータ） (2022-11-17T19:51:47Z)
• Understanding the Mapping of Encode Data Through An Implementation of Quantum Topological Analysis [0.7106986689736827]
  複素ヒルベルト空間に埋め込まれたデータのトポロジーを解析することにより,符号化手法の違いを可視化できることを示す。 提案手法は,異なる量子機械学習モデルにおいて慎重に検討する必要があることを示唆する。
  論文  参考訳（メタデータ） (2022-09-21T18:46:08Z)
• Improved decoding of circuit noise and fragile boundaries of tailored surface codes [61.411482146110984]
  高速かつ高精度なデコーダを導入し、幅広い種類の量子誤り訂正符号で使用することができる。 我々のデコーダは、信仰マッチングと信念フィンドと呼ばれ、すべてのノイズ情報を活用し、QECの高精度なデモを解き放つ。 このデコーダは, 標準の正方形曲面符号に対して, 整形曲面符号において, より高いしきい値と低い量子ビットオーバーヘッドをもたらすことがわかった。
  論文  参考訳（メタデータ） (2022-03-09T18:48:54Z)
• Quantized Neural Networks via {-1, +1} Encoding Decomposition and Acceleration [83.84684675841167]
  本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。 本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
  論文  参考訳（メタデータ） (2021-06-18T03:11:15Z)
• EfficientFCN: Holistically-guided Decoding for Semantic Segmentation [49.27021844132522]
  最先端セマンティックセマンティックセグメンテーションアルゴリズムは主に拡張されたFully Convolutional Networks (DilatedFCN)に基づいている 本稿では,拡張畳み込みのないイメージネット事前学習ネットワークをバックボーンとする,効率的なFCNを提案する。 このようなフレームワークは、計算コストの1/3しか持たない最先端の手法に比べて、同等またはそれ以上の性能を達成する。
  論文  参考訳（メタデータ） (2020-08-24T14:48:23Z)

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。