Hybrid quantum transfer learning for crack image classification on NISQ hardware

要約

量子コンピューターは、理論的基盤によれば、従来のビットと比較して著しく少ない量子ビットを使用してデータを処理する可能性を持っています。
ただし、最近の実験では、量子符号化されたバージョンから画像を取得することの実際的な実現可能性は、現時点では非常に小さい画像サイズに限定されていることが示されています。
この制約にもかかわらず、変分量子機械学習アルゴリズムは、現在のノイズの多い中間スケール量子 (NISQ) 時代でも引き続き使用できます。
一例は、エッジ検出のためのハイブリッド量子機械学習アプローチです。
私たちの研究では、グレー値画像の亀裂を検出するための量子転移学習のアプリケーションを紹介します。
PennyLane の標準量子ビットのパフォーマンスとトレーニング時間を IBM の qasm\_simulator および実際のバックエンドと比較し、それらの実行効率についての洞察を提供します。

要約(オリジナル)

Quantum computers possess the potential to process data using a remarkably reduced number of qubits compared to conventional bits, as per theoretical foundations. However, recent experiments have indicated that the practical feasibility of retrieving an image from its quantum encoded version is currently limited to very small image sizes. Despite this constraint, variational quantum machine learning algorithms can still be employed in the current noisy intermediate scale quantum (NISQ) era. An example is a hybrid quantum machine learning approach for edge detection. In our study, we present an application of quantum transfer learning for detecting cracks in gray value images. We compare the performance and training time of PennyLane’s standard qubits with IBM’s qasm\_simulator and real backends, offering insights into their execution efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google