論文の概要: A Triple-Hybrid Quantum Support Vector Machine Using Classical, Quantum Gate-based and Quantum Annealing-based Computing

• arxiv url: http://arxiv.org/abs/2511.05237v1
• Date: Fri, 07 Nov 2025 13:40:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.775695
• Title: A Triple-Hybrid Quantum Support Vector Machine Using Classical, Quantum Gate-based and Quantum Annealing-based Computing
• Title（参考訳）: 古典的, 量子ゲート型, 量子アニーリング型コンピュータを用いたトリプルハイブリド量子支援ベクトルマシン
• Authors: Juan C. Boschero, Ward van der Schoot, Niels M. P. Neumann,
• Abstract要約: 複素量子データ上での他のサポートベクトルマシンよりも高精度な3重ハイブリッド量子支援ベクトルマシンが実現可能であることを示す。 複雑なデータセットの場合、三重ハイブリッドバージョンはより早く収束し、回路評価を少なくする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quantum machine learning is one of the fields where quantum computers are expected to bring advantages over classical methods. However, the limited size of current computers restricts the exploitation of the full potential of quantum machine learning methods. Additionally, different computing paradigms, both quantum and classical, each have their own strengths and weaknesses. Obtaining optimal results with algorithms thus requires algorithms to be tweaked to the underlying computational paradigm, and the tasks to be optimally distributed over the available computational resources. In this work, we explore the potential gains from combining different computing paradigms to solve the complex task of data classification for three different datasets. We use a gate-based quantum model to implement a quantum kernel and implement a complex feature map. Next, we formulate a quadratic unconstrained optimisation problem to be solved on quantum annealing hardware. We then evaluate the losses on classical hardware and reconfigure the model parameters accordingly. We tested this so-called triple-hybrid quantum support vector machine on various data sets, and find that it achieves higher precision than other support vector machines (both quantum and classical) on complex quantum data, whereas it achieves varying performance on simple classical data using limited training. For the complex data sets, the triple-hybrid version converges faster, requiring fewer circuit evaluations.
• Abstract（参考訳）: 量子機械学習は、量子コンピュータが古典的手法よりも有利になると予想される分野の1つである。 しかし、現在のコンピュータのサイズは制限されており、量子機械学習手法の潜在能力を最大限に活用することは制限されている。 さらに、量子と古典の両方の異なる計算パラダイムには、それぞれ独自の長所と短所がある。 したがって、アルゴリズムで最適な結果を得るには、基礎となる計算パラダイムにアルゴリズムを微調整する必要がある。 本研究では,3つの異なるデータセットに対するデータ分類の複雑な課題を解決するために,異なる計算パラダイムを組み合わせることで得られる潜在的な利益について検討する。 ゲートベースの量子モデルを用いて量子カーネルを実装し、複雑な特徴写像を実装する。 次に、量子アニールハードウェア上で解く2次非制約最適化問題を定式化する。 次に、従来のハードウェアの損失を評価し、それに応じてモデルパラメータを再設定する。 我々は、このいわゆるトリプルハイブリッド量子サポートベクターマシンを様々なデータセットでテストし、複雑な量子データ上での他のサポートベクターマシン(量子と古典の両方)よりも高い精度を達成するのに対し、制限されたトレーニングを用いて、単純な古典データ上での様々な性能を実現する。 複雑なデータセットの場合、三重ハイブリッドバージョンはより早く収束し、回路評価を少なくする。

関連論文リスト

• Quantum feature-map learning with reduced resource overhead [0.0]
  解析的反復再構成(Q-FLAIR)による量子特徴マップ学習について紹介する。 Q-FLAIRは反復的特徴マップ回路構築における量子リソースオーバーヘッドを低減する。 我々は、実際のIBMデバイス上でわずか4時間で量子モデルをトレーニングし、全解像度のMNISTデータセットで90%を超える精度を達成した。
  論文  参考訳（メタデータ） (2025-10-03T18:00:00Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• QCircuitBench: A Large-Scale Dataset for Benchmarking Quantum Algorithm Design [63.02824918725805]
  量子コンピューティングは、量子アルゴリズムによる古典的コンピューティングよりも大幅にスピードアップされていることが認識されている。 QCircuitBenchは、量子アルゴリズムの設計と実装におけるAIの能力を評価するために設計された最初のベンチマークデータセットである。
  論文  参考訳（メタデータ） (2024-10-10T14:24:30Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Towards Quantum Computational Mechanics [1.530480694206666]
  本稿では、量子コンピューティングを用いて、計算ホモジェナイゼーションにおける代表要素体積(RVE)問題を解く方法について述べる。 我々の量子RVE解法は古典解法に対して指数加速度を得る。
  論文  参考訳（メタデータ） (2023-12-06T12:53:02Z)
• VQE-generated quantum circuit dataset for machine learning [0.6834295298053009]
  変動量子固有解法により最適化された量子回路のデータセットを提供する。 このデータセットは量子的手法で容易に学習できることが示される。
  論文  参考訳（メタデータ） (2023-02-20T04:08:44Z)
• Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
  我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。 我々は距離の計算を高速化するために量子現象を利用する。 我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
  論文  参考訳（メタデータ） (2022-12-13T16:04:16Z)
• Multiple Query Optimization using a Hybrid Approach of Classical and Quantum Computing [1.7077661158850292]
  データ集約的な問題領域において重要なNPハード問題である多重クエリ最適化問題(MQO)に取り組む。 ゲート型量子コンピュータ上でMQOを解くために,新しい古典量子アルゴリズムを提案する。 提案アルゴリズムでは, クビット効率が99%に近づき, ほぼ2倍に向上した。
  論文  参考訳（メタデータ） (2021-07-22T08:12:49Z)
• Adiabatic Quantum Graph Matching with Permutation Matrix Constraints [75.88678895180189]
  3次元形状と画像のマッチング問題は、NPハードな置換行列制約を持つ二次代入問題(QAP)としてしばしば定式化される。 本稿では,量子ハードウェア上での効率的な実行に適した制約のない問題として,いくつかのQAPの再構成を提案する。 提案アルゴリズムは、将来の量子コンピューティングアーキテクチャにおいて、より高次元にスケールする可能性がある。
  論文  参考訳（メタデータ） (2021-07-08T17:59:55Z)

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。