論文の概要: Experimental data re-uploading with provable enhanced learning capabilities

• arxiv url: http://arxiv.org/abs/2507.05120v1
• Date: Mon, 07 Jul 2025 15:33:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.484749
• Title: Experimental data re-uploading with provable enhanced learning capabilities
• Title（参考訳）: 証明可能な強化学習機能を備えた実験データ再アップロード
• Authors: Martin F. X. Mauser, Solène Four, Lena Marie Predl, Riccardo Albiero, Francesco Ceccarelli, Roberto Osellame, Philipp Petersen, Borivoje Dakić, Iris Agresti, Philip Walther,
• Abstract要約: 本稿では,フォトニック集積プロセッサにおけるデータ再ロード方式の実装について述べる。 この結果は, このアルゴリズム, 訓練性, 一般化性に関する新たな理論的知見を提供する。 これは、よりリソース効率のよい機械学習アルゴリズムを開発するための基礎となる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The last decades have seen the development of quantum machine learning, stemming from the intersection of quantum computing and machine learning. This field is particularly promising for the design of alternative quantum (or quantum inspired) computation paradigms that could require fewer resources with respect to standard ones, e.g. in terms of energy consumption. In this context, we present the implementation of a data re-uploading scheme on a photonic integrated processor, achieving high accuracies in several image classification tasks. We thoroughly investigate the capabilities of this apparently simple model, which relies on the evolution of one-qubit states, by providing an analytical proof that our implementation is a universal classifier and an effective learner, capable of generalizing to new, unknown data. Hence, our results not only demonstrate data re-uploading in a potentially resource-efficient optical implementation but also provide new theoretical insight into this algorithm, its trainability, and generalizability properties. This lays the groundwork for developing more resource-efficient machine learning algorithms, leveraging our scheme as a subroutine.
• Abstract（参考訳）: 過去数十年間、量子コンピューティングと機械学習の交わりから生まれた量子機械学習が発展してきた。 この分野は、例えばエネルギー消費の観点から、標準的なものよりも少ないリソースを必要とする可能性のある代替量子(または量子にインスパイアされた)計算パラダイムの設計に対して特に有望である。 本稿では,複数の画像分類タスクにおいて高い精度を実現するために,フォトニック集積プロセッサにデータ再ロード方式を実装した。 我々は,1量子状態の進化に依存するこの一見単純なモデルの有効性を,我々の実装が普遍的な分類器であり,未知のデータに一般化可能な効果的な学習者であることを解析的に証明することによって,徹底的に検討する。 したがって,本研究の結果は,潜在的に資源効率のよい光学実装におけるデータ再ロードを実証するだけでなく,このアルゴリズムの学習性,一般化性などに関する新たな理論的知見を提供する。 これにより、我々のスキームをサブルーチンとして活用し、よりリソース効率のよい機械学習アルゴリズムを開発するための基礎となる。

関連論文リスト

• A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
  Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
  論文  参考訳（メタデータ） (2024-09-18T14:57:13Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Deep reinforcement learning for quantum multiparameter estimation [0.0]
  本研究では,現実的なベイズ量子力学タスクを実現するためのモデルフリーでディープラーニングに基づくアプローチを提案する。 我々は,標準手法よりも高い推定性能の達成を実験的に証明した。
  論文  参考訳（メタデータ） (2022-09-01T18:01:56Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Quantum Self-Supervised Learning [22.953284192004034]
  対照的自己監督学習のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。 ibmq_paris量子コンピュータ上の見えない画像を分類するために、最良の量子モデルを適用します。
  論文  参考訳（メタデータ） (2021-03-26T18:00:00Z)
• Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
  本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。 我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
  論文  参考訳（メタデータ） (2020-12-07T18:51:28Z)
• Methods for Accelerating Geospatial Data Processing Using Quantum Computers [0.0]
  本稿では,畳み込みニューラルネットワークに対する普遍量子エンハンスメントを用いた衛星画像分類手法について述べる。 この領域では、これまでの量子的取り組みよりもパフォーマンスが向上し、最終的に量子的優位性につながる可能性のある潜在的な改善が特定できる。 SAT-4衛星画像データセットを用いてこれらのネットワークをベンチマークし、宇宙産業における機械学習技術の有用性を実証する。
  論文  参考訳（メタデータ） (2020-04-07T02:14:51Z)

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。