Undersøgelse viser kvantehastigheden af ​​overvåget maskinlæring på en ny klassificeringsopgave

I de seneste år, flere dataloger og fysikere har udforsket potentialet i kvanteforstærkede maskinlæringsalgoritmer. Som deres navn antyder, kvantemaskinelæringstilgange kombinerer kvantealgoritmer med maskinlæringsteknikker.

De fleste forskere, der undersøger kvantemaskinelæringsalgoritmer, har forsøgt at forstå, om de kunne løse opgaver hurtigere end konventionelle maskinlæringsteknikker. En af de opgaver, som maskinlæringsalgoritmer almindeligvis trænes til at udføre, er klassifikationsopgaver, såsom at arrangere billeder i forskellige kategorier eller præcist klassificere specifikke objekter eller levende væsner i et billede.

Blandt de maskinlæringsalgoritmer, der opnåede lovende resultater i klassificeringsopgaver, er kernemetoder, som omfatter en berømt overvåget læringsteknik kaldet support-vector machine. I løbet af de sidste par år, nogle forskere, der er specialiseret i kvantealgoritmer, har således undersøgt potentialet i kvantekernemetoder, som først blev introduceret af Havlicek og hans kolleger hos IBM.

Forskere ved IBM Quantum har for nylig udført en undersøgelse, der yderligere undersøger potentialet ved kvantekernemetoder. Deres papir, udgivet i Naturfysik , demonstrerer, at disse metoder kunne give en robust kvantehastighed i forhold til konventionelle kernemetoder.

"På trods af populariteten af ​​kvantekernemetoder, et grundlæggende spørgsmål forblev ubesvaret:Kan kvantecomputere anvende kernemetoder til at give en beviselig fordel i forhold til klassiske læringsalgoritmer? "Srinivasan Arunachalam, en af ​​forskerne, der gennemførte undersøgelsen, fortalte Phys.org . "At forstå dette spørgsmål var udgangspunktet for vores arbejde. I dette Naturfysik papir, sammen med mine samarbejdspartnere Yunchao Liu og Kristan Temme, vi løste dette spørgsmål bekræftende."

Som en del af deres studie, Arunachalam og hans kolleger konstruerede et klassifikationsproblem, der kunne bruges til strengt at evaluere heuristiske kvantekernemetoder. Ved at bruge dette problem som eksempel, de beviste eksistensen af ​​en kvantekernealgoritme, der kan klassificere et sæt punkter betydeligt hurtigere end klassiske algoritmer, når de trænes på de samme data og implementeres på en fejltolerancemaskine.

I den kvantekernetilgang, som forskerne betragter, træder en kvantecomputer ind for at køre alle algoritmens beregninger, bortset fra en bestemt portion. Når der gives et sæt klassiske datapunkter, såsom bitstrenge genereret af en klassisk computer, kvantekernetilgangen kortlægger dem ind i et højere dimensionelt rum, hvor kvantecomputere kan finde mønstre i data og udtrække karakteriserende funktioner, ved hjælp af en teknik kaldet quantum kernel estimering (QKE).

"For at bruge denne teknik til en adskillelse mellem kvante- og klassiske kerner, vores udgangspunkt er et velkendt problem, der ofte bruges til at adskille klassisk og kvanteberegning, det diskrete logaritmeproblem, " sagde Arunachalam. "Dette problem kan løses i polynomiel tid på en kvantecomputer ved hjælp af den berømte Shor's algoritme, men det antages stærkt at kræve superpolynomisk tid for hver klassisk algoritme."

Arunachalam og hans kolleger var de første til at konstruere et klassifikationsproblem baseret på hårdhedsantagelsen af ​​det diskrete logaritmeproblem. Interessant nok, de viste, at den præstation, der opnås ved alle klassiske maskinlæringsteknikker på dette problem, er værst eller lig med tilfældig gæt, hvilket langt fra er tilfredsstillende.

"Derefter vi konstruerede en kernefunktion, der kortlægger disse klassiske datapunkter på et komplekst højdimensionelt funktionsrum og viser, at QKE kan løse dette klassifikationsproblem med meget høj præcision i polynomisk tid, " sagde Arunachalam. "En yderligere bonus er, at vi er i stand til at vise, at denne kvantehastighedsstigning eksisterer, selvom der er begrænset prøveudtagningsstøj under målinger, hvilket er en vigtig overvejelse for kortsigtede og endda fejltolerante kvantecomputere."

Tidligere undersøgelser har introduceret flere nye kvantealgoritmer, der kunne løse klassificeringsopgaver hurtigere end konventionelle maskinindlæringsteknikker. Imidlertid, de fleste af disse algoritmer krævede stærke input-antagelser for at opnå lovende resultater, eller forskerne var ude af stand til strengt at demonstrere deres fordel i forhold til klassiske maskinlæringsteknikker.

"Vores QKE-algoritme kan ses som en ende-til-ende kvantefordel for kvantekernemetoder implementeret på en fejltolerant enhed (med realistiske antagelser), da vi starter med klassiske datapunkter og producerer en klassisk løsning på klassifikationsproblemet ved at bruge en kvantecomputer i midten, " sagde Arunachalam. "Selvfølgelig, dette er ikke vejens ende og i stedet kun en grund til yderligere at forstå kvantekerner bedre. "

Det seneste arbejde fra dette team af forskere giver en bekræftelse på, at kvantekernemetoder kan hjælpe med at udføre klassificeringsopgaver hurtigere og mere effektivt. I deres fremtidige studier, Arunachalam og hans kolleger planlægger at undersøge potentialet ved at bruge disse algoritmer til at tackle klassificeringsproblemer i den virkelige verden.

"Klassificeringsproblemet, som vi brugte til at bevise denne fordel, er kunstigt konstrueret til at give en teoretisk underbygning for kvantekernernes anvendelighed, " sagde Arunachalam. "Der er plads til at opnå yderligere kvantehastigheder ved at bruge kvantekernemetoder til andre (forhåbentlig) praktisk relevante problemer. Vi mener, at vores resultat er interessant, fordi det giver os en retning til at lede efter flere læringsproblemer, som kan drage fordel af kernemetoder. I vores fremtidige arbejde håber vi at forstå, hvor generaliserbar strukturen af ​​vores klassifikationsproblem er, og hvis der er yderligere speedups, der kan opnås ved at bruge lignende strukturer."

© 2021 Science X Network