論文の概要: Shallow-circuit Supervised Learning on a Quantum Processor

• arxiv url: http://arxiv.org/abs/2601.03235v1
• Date: Tue, 06 Jan 2026 18:26:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:13.057587
• Title: Shallow-circuit Supervised Learning on a Quantum Processor
• Title（参考訳）: 量子プロセッサ上での浅回路監視学習
• Authors: Luca Candelori, Swarnadeep Majumder, Antonio Mezzacapo, Javier Robledo Moreno, Kharen Musaelian, Santhanam Nagarajan, Sunil Pinnamaneni, Kunal Sharma, Dario Villani,
• Abstract要約: 線形ハミルトニアンの機械学習手法を用いることで,基本的な障害を克服できることを示す。 我々は,IBM Heron量子プロセッサの最大50キュービットを用いてベンチマークデータセット上で実験を行うことにより,提案手法の有効性と拡張性を実証した。
• 参考スコア（独自算出の注目度）: 0.3276917305778521
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Quantum computing has long promised transformative advances in data analysis, yet practical quantum machine learning has remained elusive due to fundamental obstacles such as a steep quantum cost for the loading of classical data and poor trainability of many quantum machine learning algorithms designed for near-term quantum hardware. In this work, we show that one can overcome these obstacles by using a linear Hamiltonian-based machine learning method which provides a compact quantum representation of classical data via ground state problems for k-local Hamiltonians. We use the recent sample-based Krylov quantum diagonalization method to compute low-energy states of the data Hamiltonians, whose parameters are trained to express classical datasets through local gradients. We demonstrate the efficacy and scalability of the methods by performing experiments on benchmark datasets using up to 50 qubits of an IBM Heron quantum processor.
• Abstract（参考訳）: 量子コンピューティングは、データ分析の革新的進歩を長年約束してきたが、古典的なデータのロードの急激な量子コストや、短期的な量子ハードウェア用に設計された多くの量子機械学習アルゴリズムのトレーニング容易性の不足など、基本的な障害のため、実用的な量子機械学習はいまだ解明されていない。 そこで本研究では,k局所ハミルトニアンの基底状態問題による古典データのコンパクトな量子表現を提供する線形ハミルトニアンの機械学習手法を用いて,これらの障害を克服できることを示す。 我々は、最近のサンプルベースのKrylov量子対角化法を用いて、局所勾配を通して古典的なデータセットを表現するためにパラメータを訓練したデータハミルトンの低エネルギー状態を計算する。 我々は,IBM Heron量子プロセッサの最大50キュービットを用いてベンチマークデータセット上で実験を行うことにより,提案手法の有効性と拡張性を実証した。

関連論文リスト

• Noise-Resilient Quantum Metrology with Quantum Computing [10.243775711846629]
  本稿では,古典的データエンコーディングから量子データの直接処理へ焦点を移す方法を提案する。 本研究では,量子力学から取得した情報を量子コンピュータが最適化する実験可能な手法を開発した。 本手法は,推定値の精度を向上し,量子フィッシャー情報によって定量化されるように感度を著しく向上することを示す。
  論文  参考訳（メタデータ） (2025-08-31T09:53:38Z)
• 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)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Machine learning on quantum experimental data toward solving quantum many-body problems [0.0]
  最大44量子ビットのシステムに対する古典的機械学習アルゴリズムの実装を成功例に示す。 我々は、多体物理学に関心のある問題に対するハイブリッドアプローチの適用性を拡張した。
  論文  参考訳（メタデータ） (2023-10-30T10:25:59Z)
• Machine Learning for Practical Quantum Error Mitigation [0.0]
  量子エラー軽減のための機械学習は、そのコストを大幅に削減することを示す。 本稿では,ML-QEMを用いて従来の緩和手法を模倣し,より優れた実行効率で拡張性を実現する方法を提案する。
  論文  参考訳（メタデータ） (2023-09-29T16:17:12Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• 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)
• Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
  我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。 MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
  論文  参考訳（メタデータ） (2020-12-08T01:10:30Z)
• Power of data in quantum machine learning [2.1012068875084964]
  データから学習する古典機械によって、古典的に計算が難しい問題を簡単に予測できることが示される。 本稿では,フォールトトレラントシステムにおける学習問題に対して,単純かつ厳密な量子スピードアップを実現する量子モデルを提案する。
  論文  参考訳（メタデータ） (2020-11-03T19:00:01Z)

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。