量子機械学習

Kirjaudu sisään

näkemys - 量子機械学習

光子注入を用いた量子回路は、線形光学回路だけでは実現できない表現力を持つ。これにより、従来の手法では解決が難しかった学習タスクを解決できる可能性がある。

振幅減衰ノイズに対する最小の3量子ビット符号を提案し、その性能を示した。また、この符号が満たす近似量子誤り訂正条件を明らかにし、これに基づいて新しい量子符号クラスを構築した。さらに、振幅減衰ノイズに適応した量子ハミング界を導出した。

OrganiQは、古典的ニューラルネットワークを使用せずに高品質の画像を生成できる、量子生成的対抗ネットワークです。

量子準同态暗号化を利用することで、計算理論的なデータプライバシーを保証しつつ、量子委任学習と量子連邦学習を実現できる。

連続変数系の量子状態トモグラフィーには極端な非効率性が存在し、エネルギー制限付きの状態でさえ、状態のトレース距離誤差を小さくするためには指数関数的に多くのコピーが必要となる。一方で、ガウス状態やわずかにガウス性を逸脱した状態については、効率的な学習が可能であることを示した。

量子機械学習を活用することで、少数のサンプルデータから高精度な量子ダイナミクスを学習し、効率的な量子回路を生成できる。

LatentQGANは、クラシカルな畳み込みオートエンコーダと量子生成的対抗ネットワーク(QGAN)を組み合わせた新しいモデルで、高次元データの生成を可能にする。従来のQGANモデルが抱えていた拡張性と収束の問題を解決し、現代の量子コンピュータでの学習を可能にしている。

量子カーネルの設計において、特徴量依存部と可変部の配置順序が大きな影響を及ぼす。従来の配置方式では性能が低下する問題があるが、新しい配置方式を提案することで、同等の性能を維持しつつ、必要なゲート数を削減できる。

変分量子アルゴリズムの目的関数を効率的に最小化するための新しい手法であるカーネル降下法を提案する。カーネル降下法は、関数の局所近似を再生核ヒルベルト空間の手法を用いて構築し、その近似を最適化することで優れた性能を示す。

ランジュバン動力学に基づく量子自然勾配最適化アルゴリズム「Momentum-QNG」は、従来の量子自然勾配最適化アルゴリズムよりも局所最小値や平坦領域からの脱出が容易で、より良い収束特性を示す。

Tietoja

Tuotteet

Resurssit