Self-Adaptive Quantum Kernel Principal Components Analysis for Compact Readout of Chemiresistive Sensor Arrays

要約

モノのインターネット (IoT) デバイスの急速な成長により、これらのデバイスによって生成される膨大な量のデータを処理するための効率的なデータ圧縮技術が必要になります。
化学抵抗センサー アレイ (CSA) は、製造が簡単ですが、IoT システムにおいて重要なコンポーネントであり、複数センサーの同時動作により大量のデータを生成します。
データ圧縮の課題に対する一般的な解決策である古典的な主成分分析 (cPCA) 手法は、次元削減中に重要な情報を保持する際に限界に直面しています。
この研究では、情報保持を強化するための優れた代替手段として自己適応量子カーネル (SAQK) PCA を紹介します。
私たちの調査結果は、SAQK PCA がさまざまなバックエンド機械学習タスク、特に量子ビットへのアクセスが制限されている低次元シナリオにおいて cPCA よりも優れていることを示しています。
これらの結果は、量子ビットの可用性に対する現在の制約にもかかわらず、CSA データの圧縮と読み出しの効率と信頼性を向上させることで、現実世界の IoT アプリケーションにおけるデータ処理に革命をもたらす、ノイズの多い中規模量子 (NISQ) コンピューターの可能性を浮き彫りにしています。

要約(オリジナル)

The rapid growth of Internet of Things (IoT) devices necessitates efficient data compression techniques to handle the vast amounts of data generated by these devices. Chemiresistive sensor arrays (CSAs), a simple-to-fabricate but crucial component in IoT systems, generate large volumes of data due to their simultaneous multi-sensor operations. Classical principal component analysis (cPCA) methods, a common solution to the data compression challenge, face limitations in preserving critical information during dimensionality reduction. In this study, we present self-adaptive quantum kernel (SAQK) PCA as a superior alternative to enhance information retention. Our findings demonstrate that SAQK PCA outperforms cPCA in various back-end machine-learning tasks, especially in low-dimensional scenarios where access to quantum bits is limited. These results highlight the potential of noisy intermediate-scale quantum (NISQ) computers to revolutionize data processing in real-world IoT applications by improving the efficiency and reliability of CSA data compression and readout, despite the current constraints on qubit availability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google