論文の概要: Towards the implementation of a quantum classifier

• arxiv url: http://arxiv.org/abs/2606.10150v2
• Date: Wed, 10 Jun 2026 14:30:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 14:23:44.379117
• Title: Towards the implementation of a quantum classifier
• Title（参考訳）: 量子分類器の実装に向けて
• Authors: Lorenzo Confalonieri,
• Abstract要約: 量子機械学習の文脈における二項分類モデルとしての量子回路の利用について検討する。 本稿では、回路内のデータ入力方法、トレーニング可能なパラメータと損失関数を持つ量子回路モデルAnsatzの定義、複数のミニマライザの実装について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we investigate the use of a quantum circuit as a binary classification model in the context of quantum machine learning. We call this model, binary quantum classifier. First, we describe fundamental concepts of quantum computing and introduce the computational tool used: Qibo, an open-source framework for efficient quantum simulations and quantum hardware control. Then, we describe how to design a binary quantum classifier for the classification of images and small arrays of variables by showing how to input data in the circuit, defining a quantum circuit model Ansatz with trainable parameters and a loss function, and implementing multiple minimizers. We test our quantum classifier with two data sets. The first one is the MNIST data set which is composed of handwritten digits (reduced to only handwritten zeros and handwritten ones for binary classification). We study the behavior of different minimizers by increasing the number of layers of the Ansatz. The second data set represents two different high energy collisions that can occur at colliders such as LHC (CERN). Due to in-time proton-proton interactions known as pile-up, we distinguish two different data sets: "without pile-up" and "with pile-up". These collisions can be represented by images of size 32x32 or by six high-level variables that we call features. By increasing the size of the training data set and the number of layers of the Ansatz, we search for the best minimizer. Splitting the data set in training set and test set, we compute: ROC curve, AUC score, confusion matrices and test set accuracy. For "with pile-up" images, we compare the results obtained with the quantum classifier with a small convolutional neural network. We conclude that is possible to build a binary quantum classifier with a quantum circuit and we highlight its performances and limitations in comparison with classical technologies.
• Abstract（参考訳）: 本研究では,量子機械学習の文脈において,量子回路を二項分類モデルとして用いることを検討する。 このモデルをバイナリ量子分類器と呼ぶ。 まず、量子コンピューティングの基本概念を説明し、使用する計算ツールを紹介します。 Qiboは、効率的な量子シミュレーションと量子ハードウェア制御のためのオープンソースのフレームワークです。 次に、回路内のデータの入力方法を示し、トレーニング可能なパラメータと損失関数を持つ量子回路モデルAnsatzを定義し、複数の最小化器を実装することにより、画像と変数の小さな配列の分類のためのバイナリ量子分類器を設計する方法について述べる。 量子分類器を2つのデータセットで検証する。 1つ目は、手書きの桁からなるMNISTデータセットである(二進分類のための手書きのゼロと手書きのゼロにのみ変換される)。 アンザッツの層数を増やすことにより, 異なる最小化器の挙動について検討する。 第2のデータセットは、LHC(CERN)のような衝突体で起こる2つの異なる高エネルギー衝突を表す。 パイルアップとして知られるリアルタイムプロトン-プロトン相互作用のため、我々は「パイルアップ無し」と「パイルアップなし」の2つの異なるデータセットを区別する。 これらの衝突は、32x32の大きさの画像や、我々が特徴と呼ぶ6つの高レベル変数で表現することができる。 トレーニングデータセットのサイズとAnsatzのレイヤー数を増大させることで、最適な最小化器を探索する。 トレーニングセットとテストセットでデータセットを分割し、ROC曲線、AUCスコア、混乱行列、テストセットの精度を計算します。 重ね合わせ画像の場合、得られた結果を量子分類器と小さな畳み込みニューラルネットワークと比較する。 量子回路を用いたバイナリ量子分類器の構築が可能であり,従来の技術と比較して性能と限界を強調した。

関連論文リスト

• Generalized Quantum Hadamard Test for Machine Learning [1.904851064759821]
  有界入力空間における内積を計算する能力を持つ量子アダマールテストを提案する。 従来の2つの機械学習モデルと統合することで,アルゴリズムの適用例を示す。
  論文  参考訳（メタデータ） (2025-08-06T03:55:34Z)
• 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)
• Supervised binary classification of small-scale digit images and weighted graphs with a trapped-ion quantum processor [56.089799129458875]
  捕捉された171ドルYb$+$イオンに基づく量子プロセッサのベンチマーク結果を示す。 リングトポロジを持つ小さな二進数画像と重み付きグラフの2種類のデータセットに対して、教師付き二進分類を行う。
  論文  参考訳（メタデータ） (2024-06-17T18:20:51Z)
• A performance characterization of quantum generative models [35.974070202997176]
  量子生成モデリングに使用される量子回路を比較する。 2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。 確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
  論文  参考訳（メタデータ） (2023-01-23T11:00:29Z)
• 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)
• Validation tests of GBS quantum computers give evidence for quantum advantage with a decoherent target [62.997667081978825]
  複数モードデータの検証に指紋としてグループカウント確率の正P位相空間シミュレーションを用いる。 偽データを解き放つ方法を示し、これを古典的なカウントアルゴリズムに適用する。
  論文  参考訳（メタデータ） (2022-11-07T12:00:45Z)
• Optimal quantum dataset for learning a unitary transformation [5.526775342940154]
  ユニタリ変換を効率的に学習する方法は、量子機械学習の基本的な問題である。 正確なトレーニングに十分な$n+1$混合状態からなる量子データセットを導入する。 混合状態を持つ量子データセットのサイズを定数に縮めることで、ユニタリ学習のための最適な量子データセットが得られることを示す。
  論文  参考訳（メタデータ） (2022-03-01T15:29:39Z)
• Compact quantum kernel-based binary classifier [2.0684234025249717]
  本稿では、カーネルベースのバイナリ分類器を構築するための最も単純な量子回路を提案する。 量子ビットの数は2つに減らされ、ステップの数は線形に減らされる。 私たちの設計は、不均衡なデータセットを扱うための簡単な方法も提供します。
  論文  参考訳（メタデータ） (2022-02-04T14:30:53Z)
• Quantum embeddings for machine learning [5.16230883032882]
  量子分類器は、機械学習モデルとして使用されるトレーニング可能な量子回路である。 我々は、ヒルベルト空間におけるデータクラスを最大限に分離することを目的として、回路の最初の部分(埋め込み)を訓練することを提案する。 このアプローチは量子機械学習のための強力な分析フレームワークを提供する。
  論文  参考訳（メタデータ） (2020-01-10T19:00:01Z)

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。