論文の概要: Quantum Kernel Machine Learning for Autonomous Materials Science
- arxiv url: http://arxiv.org/abs/2601.11775v1
- Date: Fri, 16 Jan 2026 21:01:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-21 22:47:22.316716
- Title: Quantum Kernel Machine Learning for Autonomous Materials Science
- Title（参考訳）: 自律材料科学のための量子カーネル機械学習
- Authors: Felix Adams, Daiwei Zhu, David W. Steuerman, A. Gilad Kusne, Ichiro Takeuchi,
- Abstract要約: 自律的な材料科学の重要な側面は、できるだけ少ないデータを使って新しい材料を探索することである。
最近の理論的なブレークスルーは、量子カーネルモデルが古典的モデルよりも少ないトレーニングデータで同様の性能を達成できることを示している。
我々は,Fe-Ga-Pd3元組成展開ライブラリから抽出したX線回折パターンに対して,量子カーネルといくつかの古典的カーネルを演算する。
- 参考スコア（独自算出の注目度）: 8.427117140232033
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous materials science, where active learning is used to navigate large compositional phase space, has emerged as a powerful vehicle to rapidly explore new materials. A crucial aspect of autonomous materials science is exploring new materials using as little data as possible. Gaussian process-based active learning allows effective charting of multi-dimensional parameter space with a limited number of training data, and thus is a common algorithmic choice for autonomous materials science. An integral part of the autonomous workflow is the application of kernel functions for quantifying similarities among measured data points. A recent theoretical breakthrough has shown that quantum kernel models can achieve similar performance with less training data than classical models. This signals the possible advantage of applying quantum kernel machine learning to autonomous materials discovery. In this work, we compare quantum and classical kernels for their utility in sequential phase space navigation for autonomous materials science. Specifically, we compute a quantum kernel and several classical kernels for x-ray diffraction patterns taken from an Fe-Ga-Pd ternary composition spread library. We conduct our study on both IonQ's Aria trapped ion quantum computer hardware and the corresponding classical noisy simulator. We experimentally verify that a quantum kernel model can outperform some classical kernel models. The results highlight the potential of quantum kernel machine learning methods for accelerating materials discovery and suggest complex x-ray diffraction data is a candidate for robust quantum kernel model advantage.
- Abstract（参考訳）: 大規模合成相空間を探索するために能動的学習が用いられる自律材料科学は、新しい物質を迅速に探索するための強力な手段として登場した。
自律的な材料科学の重要な側面は、できるだけ少ないデータを使って新しい材料を探索することである。
ガウス過程に基づく能動学習は、訓練データの少ない多次元パラメータ空間の効果的なチャート作成を可能にするため、自律的な材料科学において一般的なアルゴリズム選択である。
自律ワークフローの不可欠な部分は、測定されたデータポイント間の類似性を定量化するカーネル関数の応用である。
最近の理論的なブレークスルーは、量子カーネルモデルは古典的モデルよりも訓練データが少なく、同様の性能を達成できることを示している。
これは、量子カーネル機械学習を自律的な材料発見に適用する可能性を示している。
本研究では, 量子カーネルと古典カーネルを, 自律材料科学のための逐次位相空間ナビゲーションの用途として比較する。
具体的には,Fe-Ga-Pd3次組成展開ライブラリから抽出したX線回折パターンに対して,量子カーネルといくつかの古典的カーネルを演算する。
我々はIonQのAriaトラップイオン量子コンピュータハードウェアとそれに対応する古典雑音シミュレータの両方について研究を行った。
量子カーネルモデルがいくつかの古典的カーネルモデルより優れていることを実験的に検証する。
この結果は、材料発見を加速するための量子カーネル機械学習手法の可能性を強調し、複雑なX線回折データが堅牢な量子カーネルモデルの利点の候補となることを示唆している。
関連論文リスト
- Quantum kernel learning Model constructed with small data [0.6138671548064356]
我々は、小型データを用いて、画像検査における様々な異常を検出するために量子機械学習を使用することを目指している。
特定の量子カーネルに埋め込まれたSVMによる学習は、古典的なカーネルに比べてAUCの値が著しく高かった。
論文 参考訳（メタデータ） (2024-12-01T12:12:58Z) - 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) - Quantum-Classical Multiple Kernel Learning [0.0]
機械学習におけるカーネルメソッドは、将来的にそのような改善を実現することができる分野のひとつだ。
小さくてノイズの多い量子コンピュータは、データの類似性のユニークな概念を捉える古典的なパラメトリック量子カーネルを評価することができる。
我々は、MKL(Multiple kernel)の文脈において、古典、量子量子、量子古典およびQCカーネルのペアワイズ組み合わせを考える。
本手法は,MKL設定における各種測定値の性能向上に有効であることを示す。
論文 参考訳（メタデータ） (2023-05-28T12:29:04Z) - The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for
Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。
鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。
我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文 参考訳（メタデータ） (2022-12-22T16:06:24Z) - 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) - Kernel-based quantum regressor models learn non-Markovianity [0.0]
カーネルベースの量子機械学習モデルはパラダイム的な例である。
カーネルが手元にある場合、学習プロセスには通常の機械学習モデルが使用される。
我々のモデルは、完全に古典的なモデルに匹敵する正確な予測を提供する。
論文 参考訳（メタデータ） (2022-09-23T15:36:15Z) - Noisy Quantum Kernel Machines [58.09028887465797]
量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。
消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。
量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
論文 参考訳（メタデータ） (2022-04-26T09:52:02Z) - Towards understanding the power of quantum kernels in the NISQ era [79.8341515283403]
量子カーネルの利点は,大規模データセット,計測回数の少ないもの,システムノイズなどにおいて消失することを示した。
我々の研究は、NISQデバイス上で量子優位性を得るための先進量子カーネルの探索に関する理論的ガイダンスを提供する。
論文 参考訳（メタデータ） (2021-03-31T02:41:36Z) - Quantum machine learning models are kernel methods [0.0]
この技術写本は、量子モデルをカーネルメソッドとして体系的に言い換えることでリンクを要約し、形式化し、拡張する。
これは、ほとんどの短期およびフォールトトレラント量子モデルは、一般的な支持ベクトルマシンに置き換えることができることを示している。
特にカーネルベースのトレーニングは、変分回路のトレーニングよりも優れた、あるいは同等に優れた量子モデルを見つけることが保証されている。
論文 参考訳（メタデータ） (2021-01-26T19:00:04Z) - 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) - Quantum Machine Learning using Gaussian Processes with Performant
Quantum Kernels [0.0]
量子コンピュータを用いて1次元および多次元回帰の機械学習タスクを実行する。
我々は、シミュレーションとハードウェアの両方において、量子デバイスが、古典的なインスピレーションよりも少なくとも何倍も優れた機械学習タスクを実行できることを実証した。
論文 参考訳（メタデータ） (2020-04-23T16:09:14Z)
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。