ترجمه فارسی مقاله قدرت تجربی روشهای رمزگذاری کوانتومی برای طبقه بندی باینری

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Empirical Power of Quantum Encoding Methods for Binary Classification
عنوان مقاله به فارسی قدرت تجربی روشهای رمزگذاری کوانتومی برای طبقه بندی باینری
نویسندگان Gennaro De Luca, Andrew Vlasic, Michael Vitz, Anh Pham
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Quantum Physics,فیزیک کوانتومی ,
توضیحات Submitted 23 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 23 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Quantum machine learning is one of the many potential applications of quantum computing, each of which is hoped to provide some novel computational advantage. However, quantum machine learning applications often fail to outperform classical approaches on real-world classical data. The ability of these models to generalize well from few training data points is typically considered one of the few definitive advantages of this approach. In this work, we will instead focus on encoding schemes and their effects on various machine learning metrics. Specifically, we focus on real-world data encoding to demonstrate differences between quantum encoding strategies for several real-world datasets and the classification model standard, LightGBM. In particular, we apply the following encoding strategies, including three standard approaches and two modified approaches: Angle, Amplitude, IQP, Entangled Angle, and Alternative IQP. As these approaches require either a significant number of qubits or gates to encode larger datasets, we perform feature selection to support the limited computing power of quantum simulators. This feature selection is performed through a quantum annealing enhanced approach that builds on a QUBO formulation of the problem. In this work, we provide a preliminary demonstration that quantum machine learning with the IQP encoding and LightGBM produce statistically equivalent results for a large majority of the assigned learning tasks.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین کوانتومی یکی از بسیاری از کاربردهای بالقوه محاسبات کوانتومی است که هر یک از آنها امیدوار است مزیت محاسباتی جدیدی را ارائه دهد.با این حال ، برنامه های یادگیری ماشین کوانتومی اغلب از رویکردهای کلاسیک در داده های کلاسیک در دنیای واقعی بهتر عمل نمی کنند.توانایی این مدلها برای تعمیم خوب از چند نقطه داده آموزشی معمولاً یکی از معدود مزایای قطعی این رویکرد در نظر گرفته می شود.در این کار ، ما در عوض بر روی برنامه های رمزگذاری و تأثیرات آنها بر معیارهای مختلف یادگیری ماشین تمرکز خواهیم کرد.به طور خاص ، ما بر روی رمزگذاری داده های دنیای واقعی تمرکز می کنیم تا تفاوت بین استراتژی های رمزگذاری کوانتومی را برای چندین مجموعه داده در دنیای واقعی و استاندارد مدل طبقه بندی ، LightGBM نشان دهیم.به طور خاص ، ما استراتژی های رمزگذاری زیر را اعمال می کنیم ، از جمله سه رویکرد استاندارد و دو رویکرد اصلاح شده: زاویه ، دامنه ، ضریب هوشی ، زاویه درهم تنیده و ضریب هوشی جایگزین.از آنجا که این رویکردها برای رمزگذاری مجموعه داده های بزرگتر به تعداد قابل توجهی از Qubits یا دروازه نیاز دارند ، ما انتخاب ویژگی را برای پشتیبانی از قدرت محاسباتی محدود شبیه سازهای کوانتومی انجام می دهیم.این انتخاب ویژگی از طریق یک رویکرد تقویت شده با بازپرداخت کوانتومی انجام می شود که بر روی فرمولاسیون Qubo از مشکل ساخته می شود.در این کار ، ما یک نمایش اولیه ارائه می دهیم که یادگیری ماشین کوانتومی با رمزگذاری IQP و LightGBM نتایج آماری معادل را برای اکثریت بزرگی از کارهای یادگیری اختصاص داده شده تولید می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.