抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
量子コンピューティングコミュニティは量子コンピュータの実用的利点の理解に向けて,特定の応用の文脈における実用的量子利点を評価するための明確な定義と評価スキームを持つ。例えば,生成モデリングは,量子コンピュータのための広く受け入れられている自然使用事例であり,古典的ものに対する量子モデルの成功を定量化するための具体的なアプローチを欠いている。本研究では,アルゴリズムの一般化性能を測定することにより,生成モデリングのための実用的な量子利点をプローブするための簡単で明白なアプローチを構築した。ここで提案したサンプルベースアプローチを用いて,量子回路Bornマシンのような量子モデルに対するGANのような最先端の古典的生成モデルからの任意の生成モデルを,コンクリート良く定義されたフレームワーク上で同じ地上で評価できる。実用的一般化をプロービングするための他のサンプルベースメトリックとは対照的に,制約付き最適化問題(例えば,基本的制約問題)を活用し,これらの離散データセットを用いて,サンプルの品質を明瞭に測定できる特定のメトリックスを定義し,訓練セットを超えたデータを生成するが,有効な解空間内では,モデル汎化能力を明確に測定できた。さらに,著者らのメトリックスは,GANをテンソルネットワークから構築した量子インスパイアモデルと比較するとき,モード崩壊やオーバーフィッティングのような訓練性問題を診断することができる。著者らのシミュレーション結果は,著者らの量子インスパイアードモデルが,GANsと比較して,非セーンのユニークで有効なサンプルを生成することにおいて,68×の強化まで,訓練セットにおいて観測されたものより,より良い品質を有するサンプルを生成するための61:2の比率を有することを示した。生成モデリングの領域における実用的量子利点を厳密に定義するための貴重なツールとして,これらの計量を予見した。【JST・京大機械翻訳】