Forskere introducerer ny metode til maskinlæringsklassifikationer i kvanteberegning

Kvanteinformationsforskere har introduceret en ny metode til maskinlæringsklassifikationer inden for kvanteberegning. De ikke-lineære kvantekerner i en binær kvanteklassifikator giver ny indsigt til at forbedre nøjagtigheden af ​​kvantemaskinelæring, anses for at kunne overgå den nuværende AI-teknologi.

Forskerholdet ledet af professor June-Koo Kevin Rhee fra School of Electrical Engineering, foreslået en kvanteklassifikator baseret på kvantetilstandstrohed ved at bruge en anden begyndelsestilstand og erstatte Hadamard-klassifikationen med en swaptest. I modsætning til den konventionelle tilgang, denne metode forventes at forbedre klassificeringsopgaverne betydeligt, når træningsdatasættet er lille, ved at udnytte kvantefordelen ved at finde ikke-lineære træk i et stort trækrum.

Quantum machine learning holder løfte som en af ​​de tvingende applikationer til quantum computing. I maskinlæring, et grundlæggende problem for en lang række anvendelser er klassificering, en opgave, der er nødvendig for at genkende mønstre i mærkede træningsdata for at tildele en etiket til nye, tidligere usete data; og kernemetoden har været et uvurderligt klassifikationsværktøj til at identificere ikke-lineære sammenhænge i komplekse data.

For nylig, kernemetoden er blevet introduceret i kvantemaskinelæring med stor succes. Kvantecomputeres evne til effektivt at få adgang til og manipulere data i kvantefunktionsrummet kan åbne muligheder for kvanteteknikker til at forbedre forskellige eksisterende maskinlæringsmetoder.

Ideen med klassifikationsalgoritmen med en ikke-lineær kerne er, at givet en kvantetesttilstand, protokollen beregner den vægtede effektsum af kvantedataens troværdigheder i kvanteparallel via et swap-test kredsløb efterfulgt af to single-qubit målinger (se figur 1). Dette kræver kun et lille antal kvantedataoperationer uanset datastørrelse. Det nye ved denne tilgang ligger i det faktum, at mærkede træningsdata kan pakkes tæt ind i en kvantetilstand og derefter sammenlignes med testdataene.

KAIST holdet, i samarbejde med forskere fra University of KwaZulu-Natal (UKZN) i Sydafrika og Data Cybernetics i Tyskland, har yderligere avanceret det hurtigt udviklende område inden for kvantemaskinlæring ved at introducere kvanteklassifikatorer med skræddersyede kvantekerner.

Inputdataene er enten repræsenteret af klassiske data via et kvantefunktionskort eller iboende kvantedata, og klassificeringen er baseret på kernefunktionen, der måler testdatas tæthed til træningsdata.

Dr. Daniel Park hos KAIST, en af ​​hovedforfatterne til denne forskning, sagde, at kvantekernen kan skræddersyes systematisk til en vilkårlig kraftsum, hvilket gør det til en fremragende kandidat til applikationer i den virkelige verden.

Professor Rhee sagde, at kvantegaffel, en teknik, der blev opfundet af holdet tidligere, gør det muligt at starte protokollen fra bunden, selv når alle de mærkede træningsdata og testdata er uafhængigt kodet i separate qubits.

Professor Francesco Petruccione fra UKZN forklarede, "State fidelity af to kvantetilstande omfatter de imaginære dele af sandsynlighedsamplituderne, som muliggør brug af den fulde kvantefunktionsplads."

For at demonstrere anvendeligheden af ​​klassifikationsprotokollen, Carsten Blank fra Data Cybernetics implementerede klassifikatoren og sammenlignede klassiske simuleringer ved hjælp af den fem-qubit IBM kvantecomputer, der er frit tilgængelig for offentlige brugere via cloud-service. "Dette er et lovende tegn på, at feltet er i fremskridt, " Blank noterede.