Fysikere afslører ligheder mellem klassisk og kvantemaskinelæring

(Phys.org) - Fysikere har fundet ud af, at strukturen af ​​visse typer kvantelæringsalgoritmer ligner meget deres klassiske modstykker - et fund, der vil hjælpe forskere med at videreudvikle kvanteversionerne. Klassiske maskinlæringsalgoritmer bruges i øjeblikket til at udføre komplekse beregningsopgaver, såsom mønstergenkendelse eller klassificering i store mængder data, og udgør en afgørende del af mange moderne teknologier. Formålet med kvantelæringsalgoritmer er at bringe disse funktioner ind i scenarier, hvor information er i en fuldstændig kvanteform.

Forskerne, Alex Monràs ved det autonome universitet i Barcelona, Spanien; Gael Sentís ved universitetet i Baskerlandet, Spanien, og University of Siegen, Tyskland; og Peter Wittek ved ICFO-The Institute of Photonic Science, Spanien, og universitetet i Borås, Sverige, har offentliggjort et papir om deres resultater i et nyligt nummer af Fysisk gennemgangsbreve .

"Vores arbejde afslører strukturen i en generel klasse af kvantelæringsalgoritmer på et meget grundlæggende niveau, "Fortalte Sentis Phys.org . "Det viser, at de potentielt meget komplekse operationer, der er involveret i en optimal kvanteopsætning, kan droppes til fordel for en meget enklere operationsplan, som er analog med den, der bruges i klassiske algoritmer, og ingen ydelse går tabt i processen. Dette fund hjælper med at etablere de ultimative muligheder for kvantelæringsalgoritmer, og åbner døren for at anvende nøgleresultater i statistisk læring til kvantescenarier. "

I deres undersøgelse, fysikerne fokuserede på en bestemt type maskinindlæring kaldet induktiv overvåget læring. Her, algoritmen får uddannelsesinstanser, hvorfra den udtrækker generelle regler, og anvender derefter disse regler på en række forskellige test (eller problem) tilfælde, som er de faktiske problemer, som algoritmen er uddannet til. Forskerne viste, at både klassiske og kvanteinduktive overvågede læringsalgoritmer skal have disse to faser (en træningsfase og en testfase), der er fuldstændig adskilte og uafhængige. Mens dette resultat i den klassiske opsætning følger trivielt af karakteren af ​​klassisk information, fysikerne viste, at det i kvantetilfældet er en konsekvens af kvante-ikke-kloning-sætningen-en sætning, der forbyder at lave en perfekt kopi af en kvantetilstand.

Ved at afsløre denne lighed, de nye resultater generaliserer nogle nøgleideer i klassisk statistisk læringsteori til kvantescenarier. I det væsentlige, denne generalisering reducerer komplekse protokoller til enklere uden at miste ydeevne, gør det lettere at udvikle og implementere dem. For eksempel, en potentiel fordel er muligheden for at få adgang til tilstanden for læringsalgoritmen imellem trænings- og testfaserne. Med udgangspunkt i disse resultater, forskerne forventer, at fremtidigt arbejde kan føre til en fuldstændig kvanteteori om risikogrænser i kvantestatistisk læring.

"Induktive overvågede kvantelæringsalgoritmer vil blive brugt til at klassificere oplysninger, der er gemt i kvantesystemer, på en automatiseret og tilpasselig måde, når de er uddannet med prøvesystemer, "Sagde Sentís." De vil potentielt være nyttige i alle mulige situationer, hvor information naturligt findes i en kvanteform, og vil sandsynligvis være en del af fremtidige protokoller til behandling af kvanteoplysninger. Vores resultater vil hjælpe med at designe og benchmarkere disse algoritmer mod den bedst mulige ydeevne, som kvantemekanik tillader. "

© 2017 Phys.org