論文の概要: Quantum advantage for learning shallow neural networks with natural data distributions
- arxiv url: http://arxiv.org/abs/2503.20879v1
- Date: Wed, 26 Mar 2025 18:00:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-28 12:53:50.138691
- Title: Quantum advantage for learning shallow neural networks with natural data distributions
- Title(参考訳): 自然データ分布を用いた浅層ニューラルネットワーク学習における量子的優位性
- Authors: Laura Lewis, Dar Gilboa, Jarrod R. McClean,
- Abstract要約: 本研究では,QSQモデルにおける周期性ニューロンの学習に有効な量子アルゴリズムについて検討した。
我々の知る限り、我々の研究は、実数値関数を明示的に考慮する古典関数に対する量子学習理論の最初の成果である。
- 参考スコア(独自算出の注目度): 4.363673971859799
- License:
- Abstract: The application of quantum computers to machine learning tasks is an exciting potential direction to explore in search of quantum advantage. In the absence of large quantum computers to empirically evaluate performance, theoretical frameworks such as the quantum probably approximately correct (PAC) and quantum statistical query (QSQ) models have been proposed to study quantum algorithms for learning classical functions. Despite numerous works investigating quantum advantage in these models, we nevertheless only understand it at two extremes: either exponential quantum advantages for uniform input distributions or no advantage for potentially adversarial distributions. In this work, we study the gap between these two regimes by designing an efficient quantum algorithm for learning periodic neurons in the QSQ model over a broad range of non-uniform distributions, which includes Gaussian, generalized Gaussian, and logistic distributions. To our knowledge, our work is also the first result in quantum learning theory for classical functions that explicitly considers real-valued functions. Recent advances in classical learning theory prove that learning periodic neurons is hard for any classical gradient-based algorithm, giving us an exponential quantum advantage over such algorithms, which are the standard workhorses of machine learning. Moreover, in some parameter regimes, the problem remains hard for classical statistical query algorithms and even general classical algorithms learning under small amounts of noise.
- Abstract(参考訳): 量子コンピュータの機械学習タスクへの応用は、量子優位性を探究するためのエキサイティングな潜在的方向である。
性能を実証的に評価する大規模な量子コンピュータが存在しない中で、古典関数を学習するための量子アルゴリズムを研究するために、量子多変量体(PAC)や量子統計クエリー(QSQ)モデルのような理論的な枠組みが提案されている。
これらのモデルで量子的優位性を研究する多くの研究にもかかわらず、我々はこれを2つの極端でのみ理解している: 均一な入力分布に対する指数的量子的優位性か、潜在的に敵対的な分布に対する優位性のどちらかである。
本研究では,QSQモデルにおいて,ガウス分布,一般化ガウス分布,ロジスティック分布を含む多種多様な非一様分布を用いて,周期性ニューロンを学習するための効率的な量子アルゴリズムを設計することにより,これらの2つの状態間のギャップについて検討する。
我々の知る限り、我々の研究は、実数値関数を明示的に考慮する古典関数の量子学習理論の最初の結果でもある。
古典的学習理論の最近の進歩は、学習周期性ニューロンが古典的勾配に基づくアルゴリズムでは困難であることが証明されており、機械学習の標準ワークホースであるそのようなアルゴリズムよりも指数関数的な量子的優位性が得られる。
さらに、一部のパラメータ体系では、古典的な統計的クエリアルゴリズムや、少量のノイズの下で学習する一般の古典的アルゴリズムでは、この問題は依然として難しい。
関連論文リスト
- Application of quantum machine learning using quantum kernel algorithms on multiclass neuron M type classification [0.0]
この研究は、ニューロン形態を分類するための量子システムの利用を初めて提案した。
特徴工学が分類精度に与える影響を検討した結果,量子カーネル法は古典的手法と類似した性能を示した。
論文 参考訳(メタデータ) (2025-02-10T09:23:32Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳(メタデータ) (2024-08-22T08:21:28Z) - Quantum Machine Learning: Quantum Kernel Methods [0.0]
カーネルメソッドは古典的な機械学習において強力で一般的なテクニックである。
量子コンピュータ上でしか効率的に計算できない量子特徴空間を使用することで、量子上の優位性を導出することができる。
データ依存型投影量子カーネルは、古典的カーネルに対して大きな利点をもたらすことが示されている。
論文 参考訳(メタデータ) (2024-05-02T23:45:29Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳(メタデータ) (2023-06-29T18:00:01Z) - Expressive Quantum Supervised Machine Learning using Kerr-nonlinear
Parametric Oscillators [0.0]
変分量子アルゴリズム(VQA)を用いた量子機械学習は、ノイズのある中間スケール量子(NISQ)時代の実用的なアルゴリズムとして積極的に研究されている。
近年の研究では、古典的なデータを量子回路に繰り返しエンコードするデータ再アップロードが、表現力のある量子機械学習モデルを得るために必要であることが示されている。
我々は、Kerrnon Parametric Hilberts (KPO) を別の有望な量子コンピューティングデバイスとして用いて量子機械学習を提案する。
論文 参考訳(メタデータ) (2023-05-01T07:01:45Z) - 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) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳(メタデータ) (2022-06-07T07:32:57Z) - Theory of Quantum Generative Learning Models with Maximum Mean
Discrepancy [67.02951777522547]
量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。
まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。
次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
論文 参考訳(メタデータ) (2022-05-10T08:05:59Z) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳(メタデータ) (2021-08-09T18:00:05Z) - Towards quantum advantage via topological data analysis [0.0]
ロイズ,ガーネロン,ザナルディのトポロジカルデータ解析のためのアルゴリズムの背後にある量子アルゴリズムについて検討する。
ランク推定や複雑なネットワーク解析などの問題に対して,多数の新しい量子アルゴリズムを提供する。
論文 参考訳(メタデータ) (2020-05-06T06:31:24Z)
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。