JP7350867B2 - 量子特徴カーネル・アライメント - Google Patents
量子特徴カーネル・アライメント Download PDFInfo
- Publication number
- JP7350867B2 JP7350867B2 JP2021547175A JP2021547175A JP7350867B2 JP 7350867 B2 JP7350867 B2 JP 7350867B2 JP 2021547175 A JP2021547175 A JP 2021547175A JP 2021547175 A JP2021547175 A JP 2021547175A JP 7350867 B2 JP7350867 B2 JP 7350867B2
- Authority
- JP
- Japan
- Prior art keywords
- quantum
- processor
- feature map
- program instructions
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 claims description 68
- 238000003860 storage Methods 0.000 claims description 49
- 230000015654 memory Effects 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 39
- 239000002096 quantum dot Substances 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 106
- 238000010586 diagram Methods 0.000 description 33
- 230000006870 function Effects 0.000 description 31
- 238000005457 optimization Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 18
- 238000012706 support-vector machine Methods 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000013442 quality metrics Methods 0.000 description 2
- 238000004869 quantum mechanical method Methods 0.000 description 2
- 230000005610 quantum mechanics Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002887 superconductor Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/40—Physical realisations or architectures of quantum processors or components for manipulating qubits, e.g. qubit coupling or qubit control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B82—NANOTECHNOLOGY
- B82Y—SPECIFIC USES OR APPLICATIONS OF NANOSTRUCTURES; MEASUREMENT OR ANALYSIS OF NANOSTRUCTURES; MANUFACTURE OR TREATMENT OF NANOSTRUCTURES
- B82Y10/00—Nanotechnology for information processing, storage or transmission, e.g. quantum computing or single electron logic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Nanotechnology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Devices For Executing Special Programs (AREA)
- Holo Graphy (AREA)
- Superconductor Devices And Manufacturing Methods Thereof (AREA)
- Image Analysis (AREA)
Description
machine)は、データをカテゴリに分類する学習アルゴリズムに関連付けられた教師あり学習モデルである。通常、トレーニング例のセットが、カテゴリに属しているとしてそれぞれマーク付けされ、SVMトレーニング・アルゴリズムが、新しい例を特定のカテゴリに割り当てるモデルを構築する。SVMモデルは、別々のカテゴリの例が特徴空間内のギャップによって分割されるようにマッピングされた、特徴空間内の点としての例の表現である。特徴マップとは、1つまたは複数のカテゴリを代表する特徴の集合のマッピングのことを指す。特徴マップは、カーネルと呼ばれる機能を指定することによって構築され、カーネルは、特徴空間内のデータ点の各対間の内積を計算する。SVMアルゴリズムを使用して、新しい入力データが、同じ特徴空間にマッピングされ、特徴マップを利用して、新しい例からカテゴリを代表する例までの距離に基づいて、カテゴリに属するということが予測される。通常、SVMは、2つのクラス間の差を最大にする超平面を見つけることによって、分類を実行する。超平面は、その周囲の空間の次元よりも1つ少ない次元を有する部分空間であり、例えば3次元空間は、2次元超平面を有する。
と等価である。実施形態例は、サポート・ベクトルの重みαが固定されないということを認識する。カーネルkを前提として、Fを最大化するようにサポート・ベクトルの重みが選択される。アライメント
を、制約
の条件下で最大化することによって、マージンを最大化するカーネルが学習される。
、ランダムなサポート・ベクトルの重み
、およびα-=α)が初期化される。最適化プログラムは、t=1,...,Tについて、次のステップを実行する。
を計算する。
を計算する。
Claims (28)
- ハイブリッド古典量子意思決定器のトレーニングのための方法であって、
トレーニング・データ・セットを受信することと、
第1のプロセッサによって、前記トレーニング・セットからオブジェクトのサンプリングを選択することであって、各オブジェクトが少なくとも1つのベクトルによって表される、前記選択することと、
量子プロセッサによって、量子特徴マップのセットを前記選択されたオブジェクトに適用することであって、前記量子マップのセットが量子カーネルのセットに対応する、前記適用することと、
量子プロセッサによって、前記量子特徴マップのセットのうちの少なくとも1つに対応する量子特徴マップ回路のパラメータのセットを評価することと、
前記第1のプロセッサによって、前記量子特徴マップ回路のパラメータの新しいセットを決定することと、
前記第1のプロセッサによって、前記パラメータの新しいセットを使用して前記量子特徴マップ回路をパラメータ化することとを含む、方法。 - 前記量子特徴マップ回路をパラメータ化するために前記量子プロセッサのマイクロ波パルスの振幅を変えることをさらに含む、請求項1に記載の方法。
- 前記量子特徴マップ回路をパラメータ化するために前記量子プロセッサのマイクロ波パルスの位相を変えることをさらに含む、請求項1に記載の方法。
- 前記パラメータの新しいセットが、既定のしきい値よりも大きい精度の測定値を生成するということを決定することをさらに含む、請求項1に記載の方法。
- 前記パラメータ化された量子特徴マップ回路を、前記選択済みのサンプリングされたオブジェクトに適用し、新しい出力ベクトルを計算することをさらに含む、請求項1に記載の方法。
- 前記量子特徴マップ回路が単一量子ビット回転ゲートのセットを含む、請求項1に記載の方法。
- 前記単一量子ビット回転ゲートのセットのサブセットが回転角度を含む、請求項6に記載の方法。
- 前記回転角度が前記パラメータの新しいセットに対応する、請求項7に記載の方法。
- 前記第1のプロセッサが古典的プロセッサである、請求項1に記載の方法。
- 前記パラメータのセットがニューラル・ネットワークの重みのセットおよびバイアスのセットに対応する、請求項1に記載の方法。
- 前記量子特徴マップ回路が制御位相ゲートのセットを含む、請求項1に記載の方法。
- 前記制御位相ゲートのセットが位相ゲートの角度を含む、請求項11に記載の方法。
- 前記位相ゲートの角度が前記パラメータのセットに対応する、請求項12に記載の方法。
- コンピュータ・プログラムを格納するコンピュータ可読ストレージ媒体であって、前記コンピュータ・プログラムは、コンピュータに、請求項1ないし13のいずれか1項に記載の前記方法を実行させる、コンピュータ可読ストレージ媒体。
- 1つまたは複数のプロセッサと、1つまたは複数のコンピュータ可読メモリと、1つまたは複数のコンピュータ可読ストレージ・デバイスと、前記1つまたは複数のメモリのうちの少なくとも1つを介して、前記1つまたは複数のプロセッサのうちの少なくとも1つによって実行するために、前記1つまたは複数のストレージ・デバイスのうちの少なくとも1つに格納されたプログラム命令とを備えているコンピュータ・システムであって、前記格納されたプログラム命令が、
トレーニング・データ・セットを受信するためのプログラム命令と、
第1のプロセッサによって、前記トレーニング・セットからオブジェクトのサンプリングを選択するためのプログラム命令であって、各オブジェクトが少なくとも1つのベクトルによって表される、前記プログラム命令と、
量子プロセッサによって、量子特徴マップのセットを前記選択されたオブジェクトに適用するためのプログラム命令であって、前記量子マップのセットが量子カーネルのセットに対応する、前記プログラム命令と、
量子プロセッサによって、前記量子特徴マップのセットのうちの少なくとも1つに対応する量子特徴マップ回路のパラメータのセットを評価するためのプログラム命令と、
前記第1のプロセッサによって、前記量子特徴マップ回路のパラメータの新しいセットを決定するためのプログラム命令と、
前記第1のプロセッサによって、前記パラメータの新しいセットを使用して前記量子特徴マップ回路をパラメータ化するためのプログラム命令とを含む、コンピュータ・システム。 - 前記格納されたプログラム命令が、
前記量子特徴マップ回路をパラメータ化するために前記量子プロセッサのマイクロ波パルスの振幅を変えるためのプログラム命令を含む、請求項15に記載のシステム。 - 前記格納されたプログラム命令が、
前記量子特徴マップ回路をパラメータ化するために前記量子プロセッサのマイクロ波パルスの位相を変えるためのプログラム命令を含む、請求項15に記載のシステム。 - 前記格納されたプログラム命令が、
前記パラメータの新しいセットが、既定のしきい値よりも大きい精度の測定値を生成するということを決定するためのプログラム命令を含む、請求項15に記載のシステム。 - 前記格納されたプログラム命令が、
前記パラメータ化された量子特徴マップ回路を、前記選択済みのサンプリングされたオブジェクトに適用し、新しい出力ベクトルを計算するためのプログラム命令を含む、請求項15に記載のシステム。 - 前記量子特徴マップ回路が単一量子ビット回転ゲートのセットを含む、請求項15に記載のシステム。
- 前記単一量子ビット回転ゲートのセットのサブセットが回転角度を含む、請求項20に記載のシステム。
- 前記回転角度が前記パラメータの新しいセットに対応する、請求項21に記載のシステム。
- 前記第1のプロセッサが古典的プロセッサである、請求項15に記載のシステム。
- 前記パラメータのセットがニューラル・ネットワークの重みのセットおよびバイアスのセットに対応する、請求項15に記載のシステム。
- 前記量子特徴マップ回路が制御位相ゲートのセットを含む、請求項15に記載のシステム。
- 前記制御位相ゲートのセットが位相ゲートの角度を含む、請求項25に記載のシステム。
- 前記位相ゲートの角度が前記パラメータのセットに対応する、請求項26に記載のシステム。
- コンピュータ・プログラムであって、コンピュータに、請求項1ないし13のいずれか1項に記載の前記方法を実行させる、コンピュータ・プログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/374,354 | 2019-04-03 | ||
US16/374,354 US11748665B2 (en) | 2019-04-03 | 2019-04-03 | Quantum feature kernel alignment |
PCT/EP2020/058528 WO2020201002A1 (en) | 2019-04-03 | 2020-03-26 | Quantum feature kernel alignment |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2022526072A JP2022526072A (ja) | 2022-05-23 |
JPWO2020201002A5 JPWO2020201002A5 (ja) | 2022-08-18 |
JP7350867B2 true JP7350867B2 (ja) | 2023-09-26 |
Family
ID=70050117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021547175A Active JP7350867B2 (ja) | 2019-04-03 | 2020-03-26 | 量子特徴カーネル・アライメント |
Country Status (12)
Country | Link |
---|---|
US (1) | US11748665B2 (ja) |
EP (1) | EP3948689B1 (ja) |
JP (1) | JP7350867B2 (ja) |
KR (1) | KR20210132154A (ja) |
CN (1) | CN113661501A (ja) |
AU (1) | AU2020250811B2 (ja) |
BR (1) | BR112021019867A2 (ja) |
CA (1) | CA3135537A1 (ja) |
IL (1) | IL286607B2 (ja) |
MX (1) | MX2021012006A (ja) |
SG (1) | SG11202109785TA (ja) |
WO (1) | WO2020201002A1 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11194573B1 (en) | 2018-02-09 | 2021-12-07 | Rigetti & Co, Llc | Streaming execution for a quantum processing system |
CN114529002B (zh) * | 2020-11-09 | 2024-04-12 | 本源量子计算科技(合肥)股份有限公司 | 量子连通图谱的聚团划分方法、装置、终端及存储介质 |
AU2021364446B2 (en) | 2020-10-19 | 2023-12-14 | Google Llc | Quantum computing with kernel methods for machine learning |
US11983720B2 (en) * | 2021-10-21 | 2024-05-14 | International Business Machines Corporation | Mixed quantum-classical method for fraud detection with quantum feature selection |
EP4242934A1 (en) * | 2022-03-07 | 2023-09-13 | Qu&CO R&D B.V. | Quantum-kernel-based regression |
WO2023180254A1 (en) * | 2022-03-19 | 2023-09-28 | Pasqal S.A.S. | Quantum circuits for a neutral atom quantum processor |
CN117591947B (zh) * | 2024-01-18 | 2024-04-09 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于变分量子核的量子支持向量机的数据分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180011981A1 (en) | 2016-07-05 | 2018-01-11 | The Regents Of The University Of Michigan | Quantum-based machine learning for oncology treatment |
WO2018223037A1 (en) | 2017-06-02 | 2018-12-06 | Google Llc | Quantum neural network |
JP2019520645A (ja) | 2016-06-02 | 2019-07-18 | グーグル エルエルシー | サブ論理制御を使用する量子進化のトレーニング |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002071243A1 (en) | 2001-03-01 | 2002-09-12 | Biowulf Technologies, Llc | Spectral kernels for learning machines |
US7406450B2 (en) | 2005-09-28 | 2008-07-29 | Nec Laboratories America, Inc. | Spread kernel support vector machine |
US9020874B2 (en) | 2011-10-31 | 2015-04-28 | Siemens Aktiengesellschaft | Short-term load forecast using support vector regression and feature learning |
WO2017111949A1 (en) | 2015-12-22 | 2017-06-29 | Rigetti & Co., Inc. | Operating a coupler device to perform quantum logic gates |
US9990592B2 (en) | 2016-02-10 | 2018-06-05 | Sas Institute Inc. | Kernel parameter selection in support vector data description for outlier identification |
US10325218B1 (en) * | 2016-03-10 | 2019-06-18 | Rigetti & Co, Inc. | Constructing quantum process for quantum processors |
US10565514B2 (en) | 2016-03-31 | 2020-02-18 | Board Of Regents, The University Of Texas System | System and method for emulation of a quantum computer |
CA3075897A1 (en) * | 2017-09-15 | 2019-03-21 | President And Fellows Of Harvard College | Device-tailored model-free error correction in quantum processors |
US10558847B2 (en) * | 2018-02-06 | 2020-02-11 | Shutterfly, Llc | High recall additive pattern recognition for image and other applications |
US11783217B2 (en) * | 2019-02-21 | 2023-10-10 | IonQ, Inc. | Quantum circuit optimization |
-
2019
- 2019-04-03 US US16/374,354 patent/US11748665B2/en active Active
-
2020
- 2020-03-26 EP EP20715033.5A patent/EP3948689B1/en active Active
- 2020-03-26 CA CA3135537A patent/CA3135537A1/en active Pending
- 2020-03-26 SG SG11202109785T patent/SG11202109785TA/en unknown
- 2020-03-26 IL IL286607A patent/IL286607B2/en unknown
- 2020-03-26 MX MX2021012006A patent/MX2021012006A/es unknown
- 2020-03-26 CN CN202080026788.7A patent/CN113661501A/zh active Pending
- 2020-03-26 BR BR112021019867A patent/BR112021019867A2/pt unknown
- 2020-03-26 JP JP2021547175A patent/JP7350867B2/ja active Active
- 2020-03-26 AU AU2020250811A patent/AU2020250811B2/en active Active
- 2020-03-26 KR KR1020217030846A patent/KR20210132154A/ko active Search and Examination
- 2020-03-26 WO PCT/EP2020/058528 patent/WO2020201002A1/en unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019520645A (ja) | 2016-06-02 | 2019-07-18 | グーグル エルエルシー | サブ論理制御を使用する量子進化のトレーニング |
US20180011981A1 (en) | 2016-07-05 | 2018-01-11 | The Regents Of The University Of Michigan | Quantum-based machine learning for oncology treatment |
WO2018223037A1 (en) | 2017-06-02 | 2018-12-06 | Google Llc | Quantum neural network |
Non-Patent Citations (1)
Title |
---|
Ville Bergholm et al.,PennyLane: Automatic differentiation of hybrid quantum-classical computations,arXiv,2018年11月12日 |
Also Published As
Publication number | Publication date |
---|---|
AU2020250811A1 (en) | 2021-09-30 |
CN113661501A (zh) | 2021-11-16 |
EP3948689A1 (en) | 2022-02-09 |
IL286607A (en) | 2021-10-31 |
CA3135537A1 (en) | 2020-10-08 |
AU2020250811B2 (en) | 2023-06-22 |
BR112021019867A2 (pt) | 2021-12-07 |
US11748665B2 (en) | 2023-09-05 |
IL286607B1 (en) | 2024-01-01 |
KR20210132154A (ko) | 2021-11-03 |
US20200320437A1 (en) | 2020-10-08 |
EP3948689B1 (en) | 2024-08-14 |
WO2020201002A1 (en) | 2020-10-08 |
IL286607B2 (en) | 2024-05-01 |
SG11202109785TA (en) | 2021-10-28 |
MX2021012006A (es) | 2021-11-04 |
JP2022526072A (ja) | 2022-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7350867B2 (ja) | 量子特徴カーネル・アライメント | |
JP7232902B2 (ja) | ハイブリッド古典-量子コンピューティング・システムを使用した分子系の励起状態特性の計算 | |
US10902085B2 (en) | Solving mixed integer optimization problems on a hybrid classical-quantum computing system | |
US11222279B2 (en) | Modular quantum circuit transformation | |
US11321625B2 (en) | Quantum circuit optimization using machine learning | |
US11640529B2 (en) | Training a neural network to create an embedding for an unlabeled vertex in a hypergraph | |
JP2022524586A (ja) | 量子コンピューティングにおける適応エラー修正 | |
US11410069B2 (en) | Grouping of Pauli observables using Bell measurements | |
Meera et al. | Retracted article: a hybrid metaheuristic approach for efficient feature selection methods in big data | |
WO2020178047A1 (en) | Classical neural network with selective quantum computing kernel components | |
US20200311525A1 (en) | Bias correction in deep learning systems | |
AU2020271608B2 (en) | Adiabatic progression with intermediate re-optimization to solve hard variational quantum problems in quantum computing | |
CN113614752A (zh) | 量子算法的验证和估计运行时间 | |
US20220405649A1 (en) | Quantum machine learning model feature space generation | |
US11372895B2 (en) | Sketching using a hybrid quantum-classical system | |
CN113544710A (zh) | 量子算法的编译 | |
US11164099B2 (en) | Quantum space distance estimation for classifier training using hybrid classical-quantum computing system | |
Nivelkar et al. | Quantum computing and machine learning: In future to dominate classical machine learning methods with enhanced feature space for better accuracy on results | |
US20230011645A1 (en) | Identifying related messages in a natural language interaction in multiple iterations | |
EP4354359A1 (en) | Solving optimization problems on shallow circuits using a quantum computer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20220512 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220808 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220824 |
|
TRDD | Decision of grant or rejection written | ||
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230823 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230829 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230913 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7350867 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |