論文の概要: Kernel-based dequantization of variational QML without Random Fourier Features

• arxiv url: http://arxiv.org/abs/2503.23931v1
• Date: Mon, 31 Mar 2025 10:26:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:34:40.111821
• Title: Kernel-based dequantization of variational QML without Random Fourier Features
• Title（参考訳）: 乱数フーリエ特徴を持たない変分QMLのカーネルに基づく定式化
• Authors: Ryan Sweke, Seongwook Shin, Elies Gil-Fuster,
• Abstract要約: 回帰問題に対する変分QMLモデルの定式化に向けた最近の提案には、慎重に選択されたカーネル関数を持つカーネルメソッドに基づくアプローチが含まれる。 我々は、広範囲のインスタンスに対して、このアプローチを単純化できることを示します。 この結果により,カーネルベースの変分QMLの定式化のためのツールキットが強化された。
• 参考スコア（独自算出の注目度）: 0.3277163122167433
• License:
• Abstract: There is currently a huge effort to understand the potential and limitations of variational quantum machine learning (QML) based on the optimization of parameterized quantum circuits. Recent proposals toward dequantizing variational QML models for regression problems include approaches based on kernel methods with carefully chosen kernel functions, approximated via Random Fourier Features (RFF). In this short note we show that for a wide range of instances, this approach can be simplified. More specifically, we show that the kernels whose evaluation is approximated by RFF in this dequantization algorithm can in fact often be evaluated exactly and efficiently classically. As such, our results enhance the toolkit for kernel-based dequantization of variational QML.
• Abstract（参考訳）: 現在、パラメータ化量子回路の最適化に基づいて、変分量子機械学習(QML)の可能性と限界を理解するための大きな取り組みがある。 回帰問題に対する変分QMLモデルの定式化に向けた最近の提案には、Random Fourier Features (RFF) を通じて近似された、慎重に選択されたカーネル関数を持つカーネルメソッドに基づくアプローチが含まれる。 このショートノートでは、幅広いインスタンスに対して、このアプローチを単純化できることを示します。 より具体的には、この復号化アルゴリズムにおいて、RFFにより評価されたカーネルは、実際、正確にかつ効率的に古典的に評価できることが示される。 そこで本研究では,カーネルによる変分QMLの定式化のためのツールキットを改良した。

関連論文リスト

• Q-MAML: Quantum Model-Agnostic Meta-Learning for Variational Quantum Algorithms [4.525216077859531]
  モデル非依存メタラーニング(MAML)技術にインスパイアされた古典的手法を用いて,パラメータ化量子回路(PQC)を最適化するための新しいフレームワークを提案する。 我々のフレームワークはLearnerと呼ばれる古典的なニューラルネットワークを備えており、Learnerの出力を初期パラメータとしてPQCと相互作用する。 適応フェーズでは、学習者は変わらないまま、より正確な値に収束するために、いくつかのPQC更新しか必要としない。
  論文  参考訳（メタデータ） (2025-01-10T12:07:00Z)
• Randomized semi-quantum matrix processing [0.0]
  汎用行列関数をシミュレートするためのハイブリッド量子古典的フレームワークを提案する。 この方法は、対象関数のチェビシェフ近似上のランダム化に基づいている。 コストのかかるパラメータの2次高速化を含む,平均深度に対する利点を実証する。
  論文  参考訳（メタデータ） (2023-07-21T18:00:28Z)
• Faster variational quantum algorithms with quantum kernel-based surrogate models [0.0]
  本稿では,雑音量子プロセッサ上での小型から中規模の変分アルゴリズムを提案する。 提案手法は,計算負荷をこれらのハイブリッドアルゴリズムの古典的成分にシフトさせ,量子プロセッサへのクエリ数を劇的に削減する。
  論文  参考訳（メタデータ） (2022-11-02T14:11:25Z)
• A kernel-based quantum random forest for improved classification [0.0]
  従来の古典的学習手法を強化する量子機械学習(QML)は、その実現に様々な制限がある。 量子カーネル推定(QKE)によって計算されるカーネル関数で線形量子支援ベクトルマシン(QSVM)を拡張する。 オーバーフィッティングを制限するため、カーネル行列に低ランクNystr"om近似を適用するようモデルをさらに拡張する。
  論文  参考訳（メタデータ） (2022-10-05T15:57:31Z)
• Quantum Kernel Methods for Solving Differential Equations [21.24186888129542]
  量子カーネル法を用いて微分方程式(DE)の解法を提案する。 量子モデルをカーネル関数の重み付け和として構成し、特徴写像を用いて変数を符号化し、モデル微分を表現する。
  論文  参考訳（メタデータ） (2022-03-16T18:56:35Z)
• 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)
• Quantum Approximate Optimization Algorithm Based Maximum Likelihood Detection [80.28858481461418]
  量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。 量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。
  論文  参考訳（メタデータ） (2021-07-11T10:56:24Z)
• Quantum Error Mitigation Relying on Permutation Filtering [84.66087478797475]
  本稿では,既存の置換に基づく手法を特殊なケースとして含む,置換フィルタ(permutation filters)と呼ばれる一般的なフレームワークを提案する。 提案するフィルタ設計アルゴリズムは, 常に大域的最適度に収束し, フィルタが既存の置換法よりも大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2021-07-03T16:07:30Z)
• Scalable Variational Gaussian Processes via Harmonic Kernel Decomposition [54.07797071198249]
  汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。 様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。 提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
  論文  参考訳（メタデータ） (2021-06-10T18:17:57Z)
• Sigma-Delta and Distributed Noise-Shaping Quantization Methods for Random Fourier Features [73.25551965751603]
  我々は、量子化 RFF が基礎となるカーネルの高精度な近似を可能にすることを証明した。 量子化 RFF はさらに圧縮され,メモリ使用量と精度のトレードオフに優れることを示す。 本手法は,この文脈におけるアート量子化手法の他の状態と比較し,いくつかの機械学習タスクにおいて,提案手法の性能を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-04T17:24:47Z)
• Sampling Overhead Analysis of Quantum Error Mitigation: Uncoded vs. Coded Systems [69.33243249411113]
  パウリの誤差は、多数の現実的な量子チャネルの中で最も低いサンプリングオーバーヘッドをもたらすことを示す。 我々はQEMと量子チャネル符号化を併用する手法を考案し、純粋なQEMと比較してサンプリングオーバーヘッドの低減を解析する。
  論文  参考訳（メタデータ） (2020-12-15T15:51:27Z)

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。