Core Concepts
近い将来、標準的な機械学習データセットに対する量子画像処理アルゴリズムの実証を目指すため、Fashion-MNISTデータセットを効率的にエンコードし、単純な変分分類器をトレーニングして、現在の量子コンピュータで実験的に適用することが可能であることを示した。
Abstract
最近提案された変分アルゴリズムを改善し、Fashion-MNISTデータセットを異なる近似精度で完全にエンコードしました。これは将来の量子画像処理アルゴリズムの実証研究に使用できます。また、ibmq-kolkata上で単純な変分分類器を展開して40%程度の最高テスト精度を達成しました。
Stats
3層のsparse ansatzは平均近似精度95.1%を提供します。
2層のgeneral ansatzと比較して、sparse ansatzはCNOTゲート数が半分以下です。
ibmq-kolkata上で最高テスト精度は約40%です。
Quotes
"Conventional methods for encoding classical data into quantum computers are not only too costly but also severely limit the scale of feasible experiments on current hardware."
"We apply the improved algorithm to encode the Fashion-MNIST dataset, which we make openly available for future empirical studies of quantum machine learning algorithms."
"The good approximation provided by such PQCs is partially related to the efficient MPS representations of image data."