論文の概要: Learning to Program Quantum Measurements for Machine Learning

• arxiv url: http://arxiv.org/abs/2505.13525v2
• Date: Sat, 24 May 2025 08:50:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 14:32:55.235931
• Title: Learning to Program Quantum Measurements for Machine Learning
• Title（参考訳）: 機械学習のための量子計測プログラムの学習
• Authors: Samuel Yen-Chi Chen, Huan-Hsin Tseng, Hsin-Yi Lin, Shinjae Yoo,
• Abstract要約: 高性能量子機械学習モデルの開発には、専門家レベルの専門知識が必要である。 本稿では,量子系の可観測性,特にエルミート行列の学習性を示す革新的なフレームワークを提案する。 提案手法は変動量子回路内で観測可能を動的にプログラムし,既存の手法よりも優れた結果が得られることを示す。
• 参考スコア（独自算出の注目度）: 10.617463958884528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid advancements in quantum computing (QC) and machine learning (ML) have sparked significant interest, driving extensive exploration of quantum machine learning (QML) algorithms to address a wide range of complex challenges. The development of high-performance QML models requires expert-level expertise, presenting a key challenge to the widespread adoption of QML. Critical obstacles include the design of effective data encoding strategies and parameterized quantum circuits, both of which are vital for the performance of QML models. Furthermore, the measurement process is often neglected-most existing QML models employ predefined measurement schemes that may not align with the specific requirements of the targeted problem. We propose an innovative framework that renders the observable of a quantum system-specifically, the Hermitian matrix-trainable. This approach employs an end-to-end differentiable learning framework, enabling simultaneous optimization of the neural network used to program the parameterized observables and the standard quantum circuit parameters. Notably, the quantum observable parameters are dynamically programmed by the neural network, allowing the observables to adapt in real time based on the input data stream. Through numerical simulations, we demonstrate that the proposed method effectively programs observables dynamically within variational quantum circuits, achieving superior results compared to existing approaches. Notably, it delivers enhanced performance metrics, such as higher classification accuracy, thereby significantly improving the overall effectiveness of QML models.
• Abstract（参考訳）: 量子コンピューティング(QC)と機械学習(ML)の急速な進歩は大きな関心を呼び、幅広い複雑な課題に対処するために量子機械学習(QML)アルゴリズムの広範な探索を促した。 高性能QMLモデルの開発には専門家レベルの専門知識が必要である。 重要な障害としては、効率的なデータ符号化戦略とパラメータ化された量子回路の設計があり、どちらもQMLモデルの性能に欠かせない。 さらに、ほとんどの既存のQMLモデルでは、対象問題の特定の要求に合致しないような事前定義された測定スキームが採用されているため、測定プロセスは無視されることが多い。 本稿では,量子系の可観測性,特にエルミート行列の学習性を示す革新的なフレームワークを提案する。 このアプローチでは、パラメータ化されたオブザーバブルと標準量子回路パラメータをプログラムするために使用されるニューラルネットワークの同時最適化を可能にする、エンドツーエンドの微分可能な学習フレームワークを採用している。 特に、量子可観測パラメータはニューラルネットワークによって動的にプログラムされ、入力データストリームに基づいてオブザーバブルがリアルタイムで適応できる。 数値シミュレーションにより,提案手法は変動量子回路内で観測可能を動的にプログラムし,既存の手法よりも優れた結果が得られることを示した。 特に、より高い分類精度などのパフォーマンス指標を提供することで、QMLモデルの全体的な有効性を大幅に改善する。

関連論文リスト

• Learning to Measure Quantum Neural Networks [10.617463958884528]
  本稿では,量子系の可観測性,特にエルミート行列学習性を実現する新しい手法を提案する。 本手法では,パラメータ化可観測関数を通常の量子回路パラメータとともに学習するエンド・ツー・エンドの微分可能学習フレームワークを特徴とする。 数値シミュレーションにより,提案手法は変動量子回路の観測値の同定が可能であり,その結果が得られた。
  論文  参考訳（メタデータ） (2025-01-10T02:28:19Z)
• Quantum Bayesian Networks for Machine Learning in Oil-Spill Detection [3.9554540293311864]
  量子機械学習は、環境モニタリング、医療診断、金融モデリングといった様々な応用において有望であることを示している。 重要な課題のひとつは、希少なイベントがスキューデータ分散によって誤って分類される、不均衡なデータセットを扱うことだ。 本稿では,QBNを用いて衛星由来の不均衡データセットを分類し,非スパイル領域とオイルスパイル'を区別するベイズ的手法を提案する。
  論文  参考訳（メタデータ） (2024-12-24T15:44:26Z)
• Evolutionary Optimization for Designing Variational Quantum Circuits with High Model Capacity [3.6881738506505988]
  高性能量子機械学習(QML)モデルの設計には、専門家レベルの知識が必要である。 主な課題は、データ符号化機構とパラメータ化量子回路の設計である。 本稿では,量子回路設計の進化を可能にするために,量子回路アーキテクチャ情報を符号化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-17T02:40:35Z)
• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• Quantum Mixed-State Self-Attention Network [3.1280831148667105]
  本稿では,自然言語処理タスクのためのQMSAN(Quantum Mixed-State Self-Attention Network)を提案する。 QMSANは混合状態に基づく量子アテンション機構を使用し、量子領域内のクエリとキー間の直接的な類似度推定を可能にする。 また、回路内の固定量子ゲートを介して実装された革新的な量子位置符号化方式を提案し、追加の量子ビットリソースを使わずにシーケンス情報をキャプチャする能力を向上させる。
  論文  参考訳（メタデータ） (2024-03-05T11:29:05Z)
• Drastic Circuit Depth Reductions with Preserved Adversarial Robustness by Approximate Encoding for Quantum Machine Learning [0.5181797490530444]
  本研究では, 変分, 遺伝的および行列積状態に基づくアルゴリズムを用いて, 符号化画像データを表す量子状態の効率的な作成法を実装した。 その結果、これらの手法は、標準状態準備実装よりも2桁も浅い回路を用いて、QMLに適したレベルにほぼ準備できることが判明した。
  論文  参考訳（メタデータ） (2023-09-18T01:49:36Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• 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)

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。