論文の概要: Addressing the Current Challenges of Quantum Machine Learning through Multi-Chip Ensembles

• arxiv url: http://arxiv.org/abs/2505.08782v1
• Date: Tue, 13 May 2025 17:57:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.70254
• Title: Addressing the Current Challenges of Quantum Machine Learning through Multi-Chip Ensembles
• Title（参考訳）: マルチチップ・アンサンブルによる量子機械学習の現状と課題
• Authors: Junghoon Justin Park, Jiook Cha, Samuel Yen-Chi Chen, Huan-Hsin Tseng, Shinjae Yoo,
• Abstract要約: より小さな量子チップ間で高次元計算を分割するマルチチップアンサンブルVQCフレームワークを提案する。 このアプローチはバレンプラトーを緩和し、量子誤差バイアスと分散を低減し、制御された絡み合いによる堅牢な一般化を維持することを示す。
• 参考スコア（独自算出の注目度）: 8.3236800339513
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum Machine Learning (QML) holds significant promise for solving computational challenges across diverse domains. However, its practical deployment is constrained by the limitations of noisy intermediate-scale quantum (NISQ) devices, including noise, limited scalability, and trainability issues in variational quantum circuits (VQCs). We introduce the multi-chip ensemble VQC framework, which partitions high-dimensional computations across smaller quantum chips to enhance scalability, trainability, and noise resilience. We show that this approach mitigates barren plateaus, reduces quantum error bias and variance, and maintains robust generalization through controlled entanglement. Designed to align with current and emerging quantum hardware, the framework demonstrates strong potential for enabling scalable QML on near-term devices, as validated by experiments on standard benchmark datasets (MNIST, FashionMNIST, CIFAR-10) and real world dataset (PhysioNet EEG).
• Abstract（参考訳）: 量子機械学習(QML)は、様々な領域にわたる計算課題を解決するための大きな約束を持っている。 しかし、その実用的展開はノイズ、限られたスケーラビリティ、変分量子回路(VQC)のトレーニング可能性の問題など、ノイズの多い中間規模量子(NISQ)デバイスの制限によって制限されている。 本稿では,より小さな量子チップ間で高次元計算を分割し,スケーラビリティ,トレーニング性,耐雑音性を向上するマルチチップアンサンブルVQCフレームワークを提案する。 このアプローチはバレンプラトーを緩和し、量子誤差バイアスと分散を低減し、制御された絡み合いによる堅牢な一般化を維持することを示す。 標準ベンチマークデータセット(MNIST、FashionMNIST、CIFAR-10)と実世界のデータセット(PhysioNet EEG)の実験によって検証されているように、このフレームワークは、現在の量子ハードウェアと新興量子ハードウェアに合わせるために設計された。

関連論文リスト

• Quantum Machine Learning on Near-Term Quantum Devices: Current State of Supervised and Unsupervised Techniques for Real-World Applications [1.7041248235270652]
  この調査は、量子ハードウェア上で実行される教師なしおよび教師なしの学習アプリケーションに焦点を当てる。 エンコーディング、アンサッツ構造、エラー軽減、これらの課題に対処するための勾配法といったテクニックをカバーしている。
  論文  参考訳（メタデータ） (2023-07-03T10:12:34Z)
• Potential and limitations of quantum extreme learning machines [55.41644538483948]
  本稿では,QRCとQELMをモデル化するフレームワークを提案する。 我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
  論文  参考訳（メタデータ） (2022-10-03T09:32:28Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• Tensor Network Quantum Virtual Machine for Simulating Quantum Circuits at Exascale [57.84751206630535]
  本稿では,E-scale ACCelerator(XACC)フレームワークにおける量子回路シミュレーションバックエンドとして機能する量子仮想マシン(TNQVM)の近代化版を提案する。 新バージョンは汎用的でスケーラブルなネットワーク処理ライブラリであるExaTNをベースにしており、複数の量子回路シミュレータを提供している。 ポータブルなXACC量子プロセッサとスケーラブルなExaTNバックエンドを組み合わせることで、ラップトップから将来のエクサスケールプラットフォームにスケール可能なエンドツーエンドの仮想開発環境を導入します。
  論文  参考訳（メタデータ） (2021-04-21T13:26:42Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)
• Minimizing estimation runtime on noisy quantum computers [0.0]
  ベイズ推論の実行には、ELF(Engineered chance function)が用いられる。 物理ハードウェアがノイズの多い量子コンピュータの仕組みから遷移するにつれて,ELF形式がサンプリングにおける情報ゲイン率をいかに向上させるかを示す。 この技術は、化学、材料、ファイナンスなどを含む多くの量子アルゴリズムの中心的なコンポーネントを高速化する。
  論文  参考訳（メタデータ） (2020-06-16T17:46:18Z)

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。