Effiziente Algorithmen für Quanteninformationsengpässe

Effiziente Algorithmen für Quanteninformationsengpässe

Zeitstempel: 2. März 2023, 12:00 Uhr

Masahito Hayashi1,2,3,4 und Yuxiang Yang5

1Shenzhen Institute for Quantum Science and Engineering, Southern University of Science and Technology, Shenzhen, 518055, China
2International Quantum Academy (SIQA), Bezirk Futian, Shenzhen 518048, China
3Schlüssellabor für Quantenwissenschaft und -technik der Provinz Guangdong, Southern University of Science and Technology, Shenzhen, 518055, China
4Graduiertenschule für Mathematik, Universität Nagoya, Nagoya, 464-8602, Japan
5QICI Quantum Information and Computation Initiative, Institut für Informatik, Universität Hongkong, Pokfulam Road, Hongkong

Findest du dieses Paper interessant oder möchtest du darüber diskutieren? Scite oder hinterlasse einen Kommentar zu SciRate.

Abstrakt

Die Fähigkeit, relevante Informationen zu extrahieren, ist entscheidend für das Lernen. Ein genialer Ansatz als solcher ist der Informationsengpass, ein Optimierungsproblem, dessen Lösung einer originalgetreuen und speichereffizienten Darstellung relevanter Informationen aus einem großen System entspricht. Das anbrechende Zeitalter des Quantencomputings verlangt nach effizienten Methoden, die mit Informationen zu Quantensystemen arbeiten. Hier sprechen wir dies an, indem wir einen neuen und allgemeinen Algorithmus für die Quantenverallgemeinerung von Informationsengpässen vorschlagen. Unser Algorithmus zeichnet sich im Vergleich zu früheren Ergebnissen durch die Geschwindigkeit und die Eindeutigkeit der Konvergenz aus. Es funktioniert auch für ein viel breiteres Spektrum von Problemen, einschließlich der Quantenerweiterung des deterministischen Informationsengpasses, einer wichtigen Variante des ursprünglichen Problems des Informationsengpasses. Insbesondere entdecken wir, dass ein Quantensystem eine deutlich bessere Leistung als ein klassisches System gleicher Größe in Bezug auf den Quanteninformationsengpass erreichen kann, was eine neue Vision zur Begründung des Vorteils des quantenmechanischen Lernens bietet.

Effiziente Algorithmen für den Quanteninformationsengpass PlatoBlockchain Data Intelligence. Vertikale Suche. Ai.

Ausgewähltes Bild: Das Problem des Informationsengpasses

Populäre Zusammenfassung

Stellen Sie sich vor, dass eine große Menge an Daten über das Wetter generiert wird. Um das Wetter von morgen vorherzusagen, ist eine so große Datenmenge schwierig zu handhaben, und es ist erforderlich, wesentliche Informationen T aus den ursprünglichen großen Daten X zu extrahieren. Der Informationsengpass verwirklicht dieses Ziel der Informationsextraktion durch Minimierung einer bestimmten Informationsmenge.

Das Aufkommen des Zeitalters der Quantencomputer erfordert Informationsengpassalgorithmen, die für Quantensysteme funktionieren. In dieser Arbeit entwerfen wir einen solchen Algorithmus, der allgemein funktioniert, wenn entweder T oder Y (oder beide) ein Quantensystem ist. Unser Algorithmus zeichnet sich im Vergleich zu früheren Ergebnissen durch die Geschwindigkeit und die Eindeutigkeit der Konvergenz aus. Bemerkenswerterweise fanden wir einen echten Vorteil bei der Verwendung eines Quantensystems als neue Datenbank T, was darauf hindeutet, dass Quantensysteme Schlüsselmerkmale des maschinellen Lernens besser darstellen könnten.

► BibTeX-Daten

► Referenzen

[1] S. Arimoto. Ein Algorithmus zur Berechnung der Kapazität beliebiger diskreter gedächtnisloser Kanäle. IEEE Transactions on Information Theory, 18 (1): 14–20, 1972. 10.1109/​TIT.1972.1054753.
https: / / doi.org/ 10.1109 / TIT.1972.1054753

[2] Leonardo Banchi, Jason Pereira und Stefano Pirandola. Verallgemeinerung im Quantenmaschinenlernen: Ein Quanteninformationsstandpunkt. PRX Quantum, 2: 040321, Nov. 2021. 10.1103/​PRXQuantum.2.040321.
https: / / doi.org/ 10.1103 / PRXQuantum.2.040321

[3] Jacob Biamonte, Peter Wittek, Nicola Pancotti, Patrick Rebentrost, Nathan Wiebe und Seth Lloyd. Quantenmaschinelles Lernen. Nature, 549 (7671): 195–202, 2017. 10.1038/​nature23474.
https: / / doi.org/ 10.1038 / nature23474

[4] R. Blahut. Berechnung von Kanalkapazität und Ratenverzerrungsfunktionen. IEEE Transactions on Information Theory, 18 (4): 460–473, 1972. 10.1109/​TIT.1972.1054855.
https: / / doi.org/ 10.1109 / TIT.1972.1054855

[5] Carsten Blank, Daniel K Park, June-Koo Kevin Rhee und Francesco Petruccione. Quantenklassifikator mit maßgeschneidertem Quantenkern. npj Quantum Information, 6 (1): 1–7, 2020. 10.1038/​s41534-020-0272-6.
https:/​/​doi.org/​10.1038/​s41534-020-0272-6

[6] Nilanjana Datta, Christoph Hirche und Andreas Winter. Konvexität und operative Interpretation der Quanteninformations-Flaschenhalsfunktion. 2019 IEEE International Symposium on Information Theory (ISIT), Seiten 1157–1161, 2019. 10.1109/​ISIT.2019.8849518.
https: / / doi.org/ 10.1109 / ISIT.2019.8849518

[7] András Gilyén, Yuan Su, Guang Hao Low und Nathan Wiebe. Quanten-Singulärwert-Transformation und darüber hinaus: exponentielle Verbesserungen für die Quantenmatrix-Arithmetik. In Proceedings of the 51st Annual ACM SIGACT Symposium on Theory of Computing, Seiten 193–204, 2019. 10.1145/​3313276.3316366.
https: / / doi.org/ 10.1145 / 3313276.3316366

[8] Ziv Goldfeld und Yury Polyanskiy. Das Problem des Informationsengpasses und seine Anwendungen beim maschinellen Lernen. IEEE Journal on Selected Areas in Information Theory, 1 (1): 19–38, 2020. 10.1109/​JSAIT.2020.2991561.
https: / / doi.org/ 10.1109 / JSAIT.2020.2991561

[9] Arne L. Grimsmo und Susanne Still. Quantenprädiktive Filterung. Phys. Rev. A, 94: 012338, Juli 2016. 10.1103/​PhysRevA.94.012338.
https: / / doi.org/ 10.1103 / PhysRevA.94.012338

[10] Aram W. Harrow, Avinatan Chassidim und Seth Lloyd. Quantenalgorithmus für lineare Gleichungssysteme. Physical Review Letters, 103 (15): 150502, 2009. 10.1103/​PhysRevLett.103.150502.
https://doi.org/ 10.1103/PhysRevLett.103.150502

[11] Vojtěch Havlíček, Antonio D. Córcoles, Kristan Temme, Aram W. Harrow, Abhinav Kandala, Jerry M. Chow und Jay M. Gambetta. Überwachtes Lernen mit quantenverbesserten Merkmalsräumen. Nature, 567 (7747): 209–212, 2019. 10.1038 / s41586-019-0980-2.
https:/​/​doi.org/​10.1038/​s41586-019-0980-2

[12] Masahito Hayashi und Vincent YF Tan. Mindestsätze für ungefähr ausreichende Statistiken. IEEE Transactions on Information Theory, 64 (2): 875–888, 2018. 10.1109/​TIT.2017.2775612.
https: / / doi.org/ 10.1109 / TIT.2017.2775612

[13] Carl W. Helstrom. Quantendetektions- und Schätzungstheorie. Journal of Statistical Physics, 1 (2): 231–252, 1969. 10.1007 / BF01007479.
https: / / doi.org/ 10.1007 / BF01007479

[14] Christoph Hirche und Andreas Winter. Eine Alphabetgröße, die für die Informationsengpassfunktion gebunden ist. 2020 IEEE International Symposium on Information Theory (ISIT), Seiten 2383–2388, 2020. 10.1109/​ISIT44484.2020.9174416.
https: / / doi.org/ 10.1109 / ISIT44484.2020.9174416

[15] Alexander S. Holevo. Probabilistische und statistische Aspekte der Quantentheorie, Band 1. Springer Science & Business Media, 2011. 10.1007/​978-88-7642-378-9.
https:/​/​doi.org/​10.1007/​978-88-7642-378-9

[16] Winston H. Hsu, Lyndon S. Kennedy und Shih-Fu Chang. Reranking der Videosuche nach dem Prinzip des Informationsengpasses. MM '06, Seiten 35–44, New York, NY, USA, 2006. Association for Computing Machinery. ISBN 1595934472. 10.1145/​1180639.1180654.
https: / / doi.org/ 10.1145 / 1180639.1180654

[17] Seth Lloyd, Maria Schuld, Aroosa Ijaz, Josh Izaac und Nathan Killoran. Quanteneinbettungen für maschinelles Lernen. arXiv Vorabdruck arXiv:2001.03622, 2020. 10.48550/​arXiv.2001.03622.
https://​/​doi.org/​10.48550/​arXiv.2001.03622
arXiv: 2001.03622

[18] Guang Hao Low und Isaac L Chuang. Hamiltonsche Simulation durch gleichmäßige spektrale Verstärkung. arXiv-Vorabdruck arXiv:1707.05391, 2017. 10.48550/​arXiv.1707.05391.
https://​/​doi.org/​10.48550/​arXiv.1707.05391
arXiv: 1707.05391

[19] Guang Hao Low und Isaac L Chuang. Hamiltonsche Simulation durch Qubitisierung. Quantum, 3: 163, 2019. 10.22331 / q-2019-07-12-163.
https:/​/​doi.org/​10.22331/​q-2019-07-12-163

[20] Adrián Pérez-Salinas, Alba Cervera-Lierta, Elies Gil-Fuster und José I. Latorre. Erneutes Hochladen von Daten für einen universellen Quantenklassifikator. Quantum, 4: 226, 2020. 10.22331/​q-2020-02-06-226.
https:/​/​doi.org/​10.22331/​q-2020-02-06-226

[21] Martin Plesch und Vladimír Bužek. Effiziente Komprimierung von Quanteninformationen. Physical Review A, 81 (3): 032317, 2010. 10.1103/​PhysRevA.81.032317.
https: / / doi.org/ 10.1103 / PhysRevA.81.032317

[22] Navneeth Ramakrishnan, Raban Iten, Volkher B. Scholz und Mario Berta. Berechnung von Quantenkanalkapazitäten. IEEE Transactions on Information Theory, 67 (2): 946–960, 2021. 10.1109/​TIT.2020.3034471.
https: / / doi.org/ 10.1109 / TIT.2020.3034471

[23] Lee A. Rozema, Dylan H. Mahler, Alex Hayat, Peter S. Turner und Aephraim M. Steinberg. Quantendatenkompression eines Qubit-Ensembles. Physical Review Letters, 113 (16): 160504, 2014. 10.1103/​PhysRevLett.113.160504.
https://doi.org/ 10.1103/PhysRevLett.113.160504

[24] Sina Salek, Daniela Cadamuro, Philipp Kammerlander und Karoline Wiesner. Quantenratenverzerrungscodierung relevanter Informationen. IEEE Transactions on Information Theory, 65 (4): 2603–2613, 2019. 10.1109/​TIT.2018.2878412.
https: / / doi.org/ 10.1109 / TIT.2018.2878412

[25] Maria Schuld. Überwachte quantenmechanische Lernmodelle sind Kernel-Methoden. arXiv-Vordruck arXiv:2101.11020, 2021. 10.48550/​arXiv.2101.11020.
https://​/​doi.org/​10.48550/​arXiv.2101.11020
arXiv: 2101.11020

[26] Maria Schuld und Nathan Killoran. Quantenmaschinelles Lernen in Feature-Hilbert-Räumen. Physical Review Letters, 122 (4): 040504, 2019. 10.1103/​PhysRevLett.122.040504.
https://doi.org/ 10.1103/PhysRevLett.122.040504

[27] Maria Schuld, Ilya Sinayskiy und Francesco Petruccione. Eine Einführung in das quantenmaschinelle Lernen. Contemporary Physics, 56 (2): 172–185, 2015. 10.1080 / 00107514.2014.964942.
https: / / doi.org/ 10.1080 / 00107514.2014.964942

[28] Ravid Shwartz-Ziv und Naftali Tishby. Über Informationen die Blackbox der Deep Neural Networks öffnen. arXiv-Vordruck arXiv:1703.00810, 2017. 10.48550/​arXiv.1703.00810.
https://​/​doi.org/​10.48550/​arXiv.1703.00810
arXiv: 1703.00810

[29] Noam Slonim und Naftali Tishby. Dokumenten-Clustering unter Verwendung von Wortclustern über die Methode des Informationsengpasses. SIGIR '00, Seiten 208–215, New York, NY, USA, 2000. Association for Computing Machinery. ISBN 1581132263. 10.1145/​345508.345578.
https: / / doi.org/ 10.1145 / 345508.345578

[30] Maximilian Stark, Aizaz Shah und Gerhard Bauch. Polarcode-Aufbau nach der Methode des Informationsengpasses. In 2018 IEEE Wireless Communications and Networking Conference Workshops (WCNCW), Seiten 7–12, 2018. 10.1109/​WCNCW.2018.8368978.
https://​/​doi.org/​10.1109/​WCNCW.2018.8368978

[31] DJ Strouse und David J. Schwab. Der deterministische Informationsengpass. Neural Computation, 29 (6): 1611–1630, 06 2017. ISSN 0899-7667. 10.1162/​NECO_a_00961.
https://​/​doi.org/​10.1162/​NECO_a_00961

[32] N. Tishby, FC Pereira und W. Bialek. Die Methode des Informationsengpasses. In The 37th Annual Allerton Conference on Communication, Control, and Computing, Seiten 368–377. Univ. Illinois Press, 1999. 10.48550/​arXiv.physics/​0004057.
https://​/​doi.org/​10.48550/​arXiv.physics/​0004057

[33] Naftali Tishby und Noga Zaslavsky. Deep Learning und das Information-Bottleneck-Prinzip. 2015 IEEE Information Theory Workshop (ITW), Seiten 1–5. IEEE, 2015. 10.1109/​ITW.2015.7133169.
https: / / doi.org/ 10.1109 / ITW.2015.7133169

[34] Peter Witteck. Quantenmaschinelles Lernen: was Quantencomputing für Data Mining bedeutet. Academic Press, 2014. 10.1016/​C2013-0-19170-2.
https:/​/​doi.org/​10.1016/​C2013-0-19170-2

[35] Yuxiang Yang, Giulio Chiribella und Daniel Ebler. Effiziente Quantenkompression für Ensembles identisch präparierter gemischter Zustände. Physical Review Letters, 116 (8): 080501, 2016a. 10.1103/​PhysRevLett.116.080501.
https://doi.org/ 10.1103/PhysRevLett.116.080501

[36] Yuxiang Yang, Giulio Chiribella und Masahito Hayashi. Optimale Komprimierung für identisch vorbereitete Qubit-Zustände. Phys. Rev. Lett., 117: 090502, August 2016b. 10.1103/​PhysRevLett.117.090502.
https://doi.org/ 10.1103/PhysRevLett.117.090502

[37] Yuxiang Yang, Ge Bai, Giulio Chiribella und Masahito Hayashi. Komprimierung für die Quantenpopulationscodierung. IEEE Transactions on Information Theory, 64 (7): 4766–4783, 2018a. 10.1109/​TIT.2017.2788407.
https: / / doi.org/ 10.1109 / TIT.2017.2788407

[38] Yuxiang Yang, Giulio Chiribella und Masahito Hayashi. Quantenstoppuhr: wie man Zeit in einem Quantenspeicher speichert. Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, 474 (2213): 20170773, 2018b. 10.1098/​rsp.2017.0773.
https: / / doi.org/ 10.1098 / rspa.2017.0773

Zitiert von

[1] Ahmet Burak Catli und Nathan Wiebe, „Training quantenneuronaler Netze mit der Quantum Information Bottleneck-Methode“, arXiv: 2212.02600, (2022).

[2] Yuxuan Du, Yibo Yang, Dacheng Tao und Min-Hsiu Hsieh, „Demystify Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification“, arXiv: 2301.01597, (2022).

Die obigen Zitate stammen von SAO / NASA ADS (Zuletzt erfolgreich aktualisiert am 2023, 03:02:17 Uhr). Die Liste ist möglicherweise unvollständig, da nicht alle Verlage geeignete und vollständige Zitationsdaten bereitstellen.

Konnte nicht abrufen Crossref zitiert von Daten während des letzten Versuchs 2023-03-02 17:03:39: Von Crossref konnten keine zitierten Daten für 10.22331 / q-2023-03-02-936 abgerufen werden. Dies ist normal, wenn der DOI kürzlich registriert wurde.

Dieses Papier ist in Quantum unter dem veröffentlicht Creative Commons Namensnennung 4.0 International (CC BY 4.0) Lizenz. Das Copyright verbleibt bei den ursprünglichen Copyright-Inhabern wie den Autoren oder deren Institutionen.

Zeitstempel:

Mehr von Quantenjournal