Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Quantum Information Processing
Erschienen in: Quantum Information Processing 10/2023

01.10.2023

Enhancing quantum support vector machines through variational kernel training

verfasst von: N. Innan, M.A.Z. Khan, B. Panda, M. Bennai

Erschienen in: Quantum Information Processing | Ausgabe 10/2023

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

We introduce a new model in quantum machine learning (QML) that combines the strengths of existing quantum kernel SVM (QK-SVM) and quantum variational SVM (QV-SVM) methods. Our proposed model, quantum variational kernel SVM (QVK-SVM), utilizes quantum kernel and quantum variational algorithms to improve accuracy in QML applications. In this paper, we conduct extensive experiments on the Iris dataset to evaluate the performance of QVK-SVM against QK-SVM and QV-SVM models. Our results demonstrate that QVK-SVM outperforms both existing models regarding accuracy, loss, and confusion matrix indicators. We believe that QVK-SVM can be a reliable and transformative tool for QML applications and recommend its use in future QML research.
Vorheriger Artikel Parameter optimization in decoy-state phase-matching quantum key distribution
Nächster Artikel Quantum attacks on generalized Feistel networks based on the strong–weak separability

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
1.
Schuld, M., Sinayskiy, I., Petruccione, F.: An introduction to quantum machine learning. Contemp. Phys. 56(2), 172–185 (2015)ADSCrossRefMATH
2.
3.
Innan, N., Sawaika, A., Dhor, A., Dutta, S., Thota, S., Gokal, H., Bennai, M.: Financial fraud detection using quantum graph neural networks. arXiv preprint arXiv:​2309.​01127 (2023)
4.
Innan, N., Bennai, M.: Simulation of a variational quantum perceptron using Grover’s Algorithm. arXiv preprint arXiv:​2305.​11040 (2023)
5.
Zhou, N.R., Zhang, T.F., Xie, X.W., Wu, J.Y.: Hybrid quantum-classical generative adversarial networks for image generation via learning discrete distribution. Signal Process: Image Commun. 110, 116891 (2023)
6.
Zeng, Q.W., Ge, H.Y., Gong, C., Zhou, N.R.: Conditional quantum circuit Born machine based on a hybrid quantum-classical framework. Phys. A 618, 128693 (2023)MathSciNetCrossRefMATH
7.
Gong, L.H., Xiang, L.Z., Liu, S.H., Zhou, N.R.: Born machine model based on matrix product state quantum circuit. Phys. A 593, 126907 (2022)MathSciNetCrossRefMATH
8.
Chenyi, W., Huang, F., Dai, J., Zhou, N.: Quantum SUSAN edge detection based on double chains quantum genetic algorithm. Phys. A 605, 128017 (2022)MathSciNetCrossRefMATH
9.
Zhou, N.R., Xia, S.H., Ma, Y., Zhang, Y.: Quantum particle swarm optimization algorithm with the truncated mean stabilization strategy. Quantum Inf. Process. 21(2), 42 (2022)ADSMathSciNetCrossRefMATH
10.
Vapnik, V.N., Lerner, A.Y.: Recognition of patterns with help of generalized portraits. Avtomat. i Telemekh 24(6), 774–780 (1963)
11.
Vapnik, V., Chervonenkis, A.Y.: A class of algorithms for pattern recognition learning. Avtomat. i Telemekh 25(6), 937–945 (1964)MathSciNet
12.
Boser, B.E., Guyon, I.M., Vapnik, V N.: A training algorithm for optimal margin classifiers. In: Proceedings of the fifth annual workshop on Computational learning theory, pp. 144-152 (1992, July)
13.
14.
Innan, N., Khan, M.A.Z., Bennai, M.: Financial fraud detection: a comparative study of quantum machine learning models. arXiv preprint arXiv:​2308.​05237 (2023)
15.
Rebentrost, P., Mohseni, M., Lloyd, S.: Quantum support vector machine for big data classification. Phys. Rev. Lett. 113(13), 130503 (2014)ADSCrossRef
16.
Li, Z., Liu, X., Xu, N., Du, J.: Experimental realization of a quantum support vector machine. Phys. Rev. Lett. 114(14), 140504 (2015)ADSCrossRef
17.
Havlicek, V., Corcoles, A.D., Temme, K., Harrow, A.W., Kandala, A., Chow, J.M., Gambetta, J.M.: Supervised learning with quantum-enhanced feature spaces. Nature 567(7747), 209–212 (2019)ADSCrossRef
18.
Park, J.E., Quanz, B., Wood, S., Higgins, H., Harishankar, R.: Practical application improvement to Quantum SVM: theory to practice. arXiv preprint arXiv:​2012.​07725 (2020)
19.
Schuld, M., Killoran, N.: Quantum machine learning in feature Hilbert spaces. Phys. Rev. Lett. 122(4), 040504 (2019)ADSCrossRef
20.
Liu, Y., Arunachalam, S., Temme, K.: A rigorous and robust quantum speed-up in supervised machine learning. Nat. Phys. 17(9), 1013–1017 (2021)CrossRef
21.
Schuld, M., Sweke, R., Meyer, J.J.: Effect of data encoding on the expressive power of variational quantum-machine-learning models. Phys. Rev. A 103(3), 032430 (2021)ADSMathSciNetCrossRef
22.
23.
Zhang, R., Wang, J., Jiang, N., Li, H., Wang, Z.: Quantum support vector machine based on regularized Newton method. Neural Netw. 151, 376–384 (2022)CrossRef
24.
Simões, R.D.M., Huber, P., Meier, N., Smailov, N., Füchslin, R.M., Stockinger, K.: Experimental evaluation of quantum machine learning algorithms. IEEE Access 11, 6197–6208 (2023)CrossRef
25.
Zhang, R., Wang, J., Jiang, N., Wang, Z.: Quantum support vector machine without iteration. Inf. Sci. 635, 25–41 (2023)CrossRef
26.
Tychola, K.A., Kalampokas, T., Papakostas, G.A.: Quantum machine learning-an overview. Electronics 12(11), 2379 (2023)CrossRef
27.
Bergholm, V., Izaac, J., Schuld, M., Gogolin, C., Ahmed, S., Ajith, V., Killoran, N.: Pennylane: automatic differentiation of hybrid quantum-classical computations. arXiv preprint arXiv:​1811.​04968 (2018)
28.
Tomono, T., Natsubori, S.: Performance of quantum kernel on initial learning process. EPJ Quantum Technol. 9(1), 35 (2022)CrossRef
29.
Park, S., Park, D.K., Rhee, J.K.K.: Variational quantum approximate support vector machine with inference transfer. Sci. Rep. 13(1), 3288 (2023)ADSCrossRef
30.
Yang, J., Awan, A.J., Vall-Llosera, G.: Support vector machines on noisy intermediate scale quantum computers. arXiv preprint arXiv:​1909.​11988 (2019)
31.
Metadaten
Titel
Enhancing quantum support vector machines through variational kernel training
verfasst von
N. Innan
M.A.Z. Khan
B. Panda
M. Bennai
Publikationsdatum
01.10.2023
Verlag
Springer US
Erschienen in
Quantum Information Processing / Ausgabe 10/2023
Print ISSN: 1570-0755
Elektronische ISSN: 1573-1332
DOI
https://doi.org/10.1007/s11128-023-04138-3

Weitere Artikel der Ausgabe 10/2023

Quantum Information Processing 10/2023 Zur Ausgabe

OriginalPaper

Research on support vector machine optimization based on improved quantum genetic algorithm

OriginalPaper

Improved construction of quantum constacyclic BCH codes

OriginalPaper

Decentralized continuous-variable quantum secret sharing

OriginalPaper

MPMCT gate decomposition method reducing T-depth quickly in proportion to the number of work qubits

Letter

Is it possible to recover Heisenberg limit by collecting information from memory environment

OriginalPaper

Properties of many-body localization in quasi-disordered Haldane–Shastry model

Neuer Inhalt

    Bildnachweise