1QC Ware, Palo Alto, ΗΠΑ και Παρίσι, Γαλλία
2IRIF, CNRS – Πανεπιστήμιο του Παρισιού, Γαλλία
3Ινδικό Ινστιτούτο Τεχνολογίας Roorkee, Ινδία
4F. Hoffmann La Roche AG
Βρείτε αυτό το άρθρο ενδιαφέρουσα ή θέλετε να συζητήσετε; Scite ή αφήστε ένα σχόλιο για το SciRate.
Περίληψη
Οι τεχνικές κβαντικής μηχανικής μάθησης έχουν προταθεί ως ένας τρόπος για πιθανή βελτίωση της απόδοσης σε εφαρμογές μηχανικής μάθησης.
Σε αυτό το άρθρο, εισάγουμε δύο νέες κβαντικές μεθόδους για νευρωνικά δίκτυα. Το πρώτο είναι ένα κβαντικό ορθογώνιο νευρωνικό δίκτυο, το οποίο βασίζεται σε ένα κβαντικό πυραμιδικό κύκλωμα ως δομικό στοιχείο για την υλοποίηση του πολλαπλασιασμού ορθογώνιου πίνακα. Παρέχουμε έναν αποτελεσματικό τρόπο εκπαίδευσης τέτοιων ορθογώνιων νευρωνικών δικτύων. Οι νέοι αλγόριθμοι περιγράφονται λεπτομερώς τόσο για το κλασικό όσο και για το κβαντικό υλικό, όπου και οι δύο έχουν αποδειχθεί ότι κλιμακώνονται ασυμπτωτικά καλύτερα από τους προηγουμένως γνωστούς αλγόριθμους εκπαίδευσης.
Η δεύτερη μέθοδος είναι τα κβαντικά υποβοηθούμενα νευρωνικά δίκτυα, όπου ένας κβαντικός υπολογιστής χρησιμοποιείται για την εκτέλεση εκτίμησης εσωτερικού προϊόντος για εξαγωγή συμπερασμάτων και εκπαίδευση κλασικών νευρωνικών δικτύων.
Στη συνέχεια παρουσιάζουμε εκτεταμένα πειράματα που εφαρμόζονται σε εργασίες ταξινόμησης ιατρικών εικόνων χρησιμοποιώντας την τρέχουσα κατάσταση της τεχνολογίας κβαντικό υλικό, όπου συγκρίνουμε διαφορετικές κβαντικές μεθόδους με κλασικές, τόσο σε πραγματικό κβαντικό υλικό όσο και σε προσομοιωτές. Τα αποτελέσματά μας δείχνουν ότι τα κβαντικά και τα κλασικά νευρωνικά δίκτυα δημιουργούν παρόμοιο επίπεδο ακρίβειας, υποστηρίζοντας την υπόσχεση ότι οι κβαντικές μέθοδοι μπορούν να είναι χρήσιμες στην επίλυση οπτικών εργασιών, δεδομένης της εμφάνισης καλύτερου κβαντικού υλικού.
► Δεδομένα BibTeX
► Αναφορές
[1] Οι Aram W Harrow, Avinatan Hassidim και Seth Lloyd. «Κβαντικός αλγόριθμος για γραμμικά συστήματα εξισώσεων». Επιστολές φυσικής αναθεώρησης 103, 150502 (2009).
https: / / doi.org/ 10.1103 / PhysRevLett.103.150502
[2] Seth Lloyd, Masoud Mohseni και Patrick Rebentrost. «Κβαντικοί αλγόριθμοι για εποπτευόμενη και μη εποπτευόμενη μηχανική μάθηση» (2013).
[3] Seth Lloyd, Masoud Mohseni και Patrick Rebentrost. «Ανάλυση κβαντικής κύριας συνιστώσας». Nature Physics 10, 631–633 (2014).
https: / / doi.org/ 10.1038 / nphys3029
[4] Ιορδάνης Κερενίδης και Anupam Prakash. «Κβαντικά συστήματα συστάσεων». 8th Innovations in Theoretical Computer Science Conference (ITCS 2017) 67, 49:1–49:21 (2017). url: doi.org/10.48550/arXiv.1603.08675.
https://doi.org/10.48550/arXiv.1603.08675
[5] Ιορδάνης Κερενίδης, Jonas Landman, Alessandro Luongo και Anupam Prakash. "q-means: Ένας κβαντικός αλγόριθμος για μη εποπτευόμενη μηχανική μάθηση". In Advances in Neural Information Processing Systems 32. Σελίδες 4136–4146. Curran Associates, Inc. (2019). url:.
arXiv: 1812.03584
[6] Σεθ Λόιντ, Σιλβάνο Γκαρνερόνε και Πάολο Ζανάρντι. «Κβαντικοί αλγόριθμοι για τοπολογική και γεωμετρική ανάλυση δεδομένων». Nature communications 7, 1–7 (2016). url: doi.org/10.1038/ncomms10138.
https: / / doi.org/ 10.1038 / ncomms10138
[7] Edward Farhi και Hartmut Neven. «Ταξινόμηση με κβαντικά νευρωνικά δίκτυα σε βραχυπρόθεσμους επεξεργαστές» (2018). url: doi.org/10.48550/arXiv.1802.06002.
https://doi.org/10.48550/arXiv.1802.06002
[8] I Kerenidis, J Landman και A Prakash. «Κβαντικοί αλγόριθμοι για βαθιά συνελικτικά νευρωνικά δίκτυα». ΟΓΔΟ ΔΙΕΘΝΕΣ ΣΥΝΕΔΡΙΟ ΓΙΑ ΤΙΣ ΕΚΠΑΙΔΕΥΣΕΙΣ ΜΑΘΗΣΗΣ ICLR (2019).
https://doi.org/10.48550/arXiv.1911.01117
[9] J Allcock, CY Hsieh, I Kerenidis και S Zhang. «Κβαντικοί αλγόριθμοι για τροφοδοτικά νευρωνικά δίκτυα». ACM Transactions on Quantum Computing 1 (1), 1-24 (2020).
https: / / doi.org/ 10.1145 / 3411466
[10] Iris Cong, Soonwon Choi και Mikhail D. Lukin. «Κβαντικά συνελικτικά νευρωνικά δίκτυα». Nature Physics 15 (2019).
https://doi.org/10.1038/s41567-019-0648-8
[11] Έκτορας Ιβάν Γκαρθία-Ερνάντες, Ραϊμούντο Τόρες-Ρουίζ και Γκουο-Χούα Σουν. «Ταξινόμηση εικόνας μέσω κβαντικής μηχανικής μάθησης» (2020). url: doi.org/10.48550/arXiv.2011.02831.
https://doi.org/10.48550/arXiv.2011.02831
[12] Saurabh Kumar, Siddharth Dangwal και Debanjan Bhowmik. «Εποπτευόμενη μάθηση χρησιμοποιώντας ένα ντυμένο κβαντικό δίκτυο με «σούπερ συμπιεσμένη κωδικοποίηση»: Αλγόριθμος και υλοποίηση βασισμένη σε κβαντικό υλικό» (2020). url: doi.org/10.48550/arXiv.2007.10242.
https://doi.org/10.48550/arXiv.2007.10242
[13] Kouhei Nakaji και Naoki Yamamoto. «Κβαντικό ημι-εποπτευόμενο παραγωγικό ανταγωνιστικό δίκτυο για βελτιωμένη ταξινόμηση δεδομένων» (2020). url: doi.org/10.1038/s41598-021-98933-6.
https://doi.org/10.1038/s41598-021-98933-6
[14] Ο William Cappelletti, η Rebecca Erbanni και ο Joaquín Keller. «Πολυαδικός κβαντικός ταξινομητής» (2020). url: doi.org/10.48550/arXiv.2007.14044.
https://doi.org/10.48550/arXiv.2007.14044
[15] Vojtech Havlicek, Antonio D. Córcoles, Kristan Temme, Aram W. Harrow, Abhinav Kandala, Jerry M. Chow και Jay M. Gambetta. «Εποπτευόμενη μάθηση με κβαντικά ενισχυμένους χώρους χαρακτηριστικών» (2018). url: doi.org/10.1038/s41586-019-0980-2.
https://doi.org/10.1038/s41586-019-0980-2
[16] Edward Grant, Marcello Benedetti, Shuxiang Cao, Andrew Hallam, Joshua Lockhart, Vid Stojevic, Andrew G. Green και Simone Severini. «Ιεραρχικοί κβαντικοί ταξινομητές» (2018). url: doi.org/10.1038/s41534-018-0116-9.
https://doi.org/10.1038/s41534-018-0116-9
[17] Bobak Toussi Kiani, Agnes Villanyi και Seth Lloyd. «Κβαντικοί ιατρικοί αλγόριθμοι απεικόνισης» (2020). url: doi.org/10.48550/arXiv.2004.02036.
https://doi.org/10.48550/arXiv.2004.02036
[18] Marco Cerezo, Andrew Arrasmith, Ryan Babbush, Simon C Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R McClean, Kosuke Mitarai, Xiao Yuan, Lukasz Cincio, κ.ά. «Μεταβλητοί κβαντικοί αλγόριθμοι» (2020). url: doi.org/10.1038/s42254-021-00348-9.
https://doi.org/10.1038/s42254-021-00348-9
[19] Kishor Bharti, Alba Cervera-Lierta, Thi Ha Kyaw, Tobias Haug, Sumner Alperin-Lea, Abhinav Anand, Matthias Degroote, Hermanni Heimonen, Jakob S Kottmann, Tim Menke, κ.ά. «Θορυβώδεις κβαντικοί αλγόριθμοι μέσης κλίμακας». Reviews of Modern Physics 94, 015004 (2022). url: doi.org/10.1103/RevModPhys.94.015004.
https: / / doi.org/ 10.1103 / RevModPhys.94.015004
[20] Monique Noirhomme-Fraiture και Paula Brito. «Πολύ πέρα από τα κλασικά μοντέλα δεδομένων: συμβολική ανάλυση δεδομένων». Statistical Analysis and Data Mining: the ASA Data Science Journal 4, 157–170 (2011). url: doi.org/10.1002/sam.10112.
https://doi.org/10.1002/sam.10112
[21] Adrián Pérez-Salinas, Alba Cervera-Lierta, Elies Gil-Fuster και José I Latorre. "Επαναφόρτωση δεδομένων για έναν καθολικό κβαντικό ταξινομητή". Quantum 4, 226 (2020). url: doi.org/10.22331/q-2020-02-06-226.
https://doi.org/10.22331/q-2020-02-06-226
[22] Kosuke Mitarai, Makoto Negoro, Masahiro Kitagawa και Keisuke Fujii. «Μάθηση κβαντικού κυκλώματος». Φυσική Επιθεώρηση Α 98, 032309 (2018).
https: / / doi.org/ 10.1103 / PhysRevA.98.032309
[23] Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac και Nathan Killoran. «Αξιολόγηση αναλυτικών κλίσεων σε κβαντικό υλικό». Φυσική Ανασκόπηση A 99, 032331 (2019).
https: / / doi.org/ 10.1103 / PhysRevA.99.032331
[24] Maria Schuld και Francesco Petruccione. «Τα κβαντικά μοντέλα ως μέθοδοι πυρήνα». Στη Μηχανική Μάθηση με Κβαντικούς Υπολογιστές. Σελίδες 217–245. Springer (2021).
[25] Maria Schuld, Ryan Sweke και Johannes Jakob Meyer. «Επίδραση της κωδικοποίησης δεδομένων στην εκφραστική ισχύ μεταβλητών μοντέλων κβαντικής μάθησης μηχανών». Φυσική Ανασκόπηση A 103, 032430 (2021).
https: / / doi.org/ 10.1103 / PhysRevA.103.032430
[26] Iris Cong, Soonwon Choi και Mikhail D Lukin. «Κβαντικά συνελικτικά νευρωνικά δίκτυα». Nature Physics 15, 1273–1278 (2019).
[27] Jarrod R McClean, Sergio Boixo, Vadim N Smelyanskiy, Ryan Babbush και Hartmut Neven. «Άγονα οροπέδια σε τοπία εκπαίδευσης κβαντικών νευρωνικών δικτύων». Επικοινωνίες με τη φύση 9, 1–6 (2018). url: doi.org/10.1038/s41467-018-07090-4.
https://doi.org/10.1038/s41467-018-07090-4
[28] Carlos Ortiz Marrero, Mária Kieferová και Nathan Wiebe. «Άγονα οροπέδια που προκαλούνται από εμπλοκή». PRX Quantum 2, 040316 (2021). url: doi.org/10.1103/PRXQuantum.2.040316.
https: / / doi.org/ 10.1103 / PRXQuantum.2.040316
[29] Marco Cerezo, Akira Sone, Tyler Volkoff, Lukasz Cincio και Patrick J Coles. «Άγονα οροπέδια εξαρτώμενα από τη συνάρτηση κόστους σε ρηχά παραμετροποιημένα κβαντικά κυκλώματα». Nature communications 12, 1–12 (2021). url: doi.org/10.1038/s41467-021-21728-w.
https: / / doi.org/ 10.1038 / s41467-021-21728-w
[30] Kunal Sharma, Marco Cerezo, Lukasz Cincio και Patrick J Coles. «Εκπαιδευσιμότητα κβαντικών νευρωνικών δικτύων που βασίζονται σε διάχυση perceptron». Physical Review Letters 128, 180505 (2022). url: doi.org/10.1103/PhysRevLett.128.180505.
https: / / doi.org/ 10.1103 / PhysRevLett.128.180505
[31] S Johri, S Debnath, A Mocherla, A Singh, A Prakash, J Kim και I Kerenidis. «Η πλησιέστερη ταξινόμηση κεντροειδών σε έναν κβαντικό υπολογιστή παγιδευμένου ιόντος» (2021).
[32] Kui Jia, Shuai Li, Yuxin Wen, Tongliang Liu και Dacheng Tao. «Ορθογώνια βαθιά νευρωνικά δίκτυα». Συναλλαγές IEEE για ανάλυση προτύπων και νοημοσύνη μηχανών (2019).
https: / / doi.org/ 10.1109 / TPAMI.2019.2948352
[33] Jiayun Wang, Yubei Chen, Rudrasis Chakraborty και Stella X Yu. «Ορθογώνια συνελικτικά νευρωνικά δίκτυα». Στα Πρακτικά του Συνεδρίου IEEE/CVF για την όραση και την αναγνώριση προτύπων υπολογιστή. Σελίδες 11505–11515. (2020).
https://doi.org/10.1109/CVPR42600.2020.01152
[34] Nitin Bansal, Xiaohan Chen και Zhangyang Wang. «Μπορούμε να κερδίσουμε περισσότερα από τις κανονικοποιήσεις ορθογωνικότητας στην εκπαίδευση σε βαθιά δίκτυα;». Advances in Neural Information Processing Systems 31 (2018).
https: / / doi.org/ 10.5555 / 3327144.3327339
[35] Xiaohua Zhai, Alexander Kolesnikov, Neil Houlsby και Lucas Beyer. "Scaling vision Transformers" (2021).
[36] Ιορδάνης Κερενίδης και Anupam Prakash. «Κβαντική μηχανική μάθηση με υποδιαστημικές καταστάσεις» (2022). url: doi.org/10.48550/arXiv.2202.00054.
https://doi.org/10.48550/arXiv.2202.00054
[37] Sergi Ramos-Calderer, Adrián Pérez-Salinas, Diego García-Martín, Carlos Bravo-Prieto, Jorge Cortada, Jordi Planagumà και José I. Latorre. «Κβαντική ενιαία προσέγγιση στην τιμολόγηση δικαιωμάτων προαίρεσης» (2019).
https: / / doi.org/ 10.1103 / PhysRevA.103.032414
[38] Nikodem Grzesiak, Reinhold Blümel, Kenneth Wright, Kristin M. Beck, Neal C. Pisenti, Ming Li, Vandiver Chaplin, Jason M. Amini, Shantanu Debnath, Jwo-Sy Chen και Yunseong Nam. «Αποτελεσματικές αυθαίρετες πύλες που εμπλέκονται ταυτόχρονα σε έναν κβαντικό υπολογιστή παγιδευμένου ιόντος». Nat Commun, 11 (2020).
https://doi.org/10.1038/s41467-020-16790-9
[39] Alexander Zlokapa, Hartmut Neven και Seth Lloyd. "Ένας κβαντικός αλγόριθμος για την εκπαίδευση ευρέων και βαθιών κλασικών νευρωνικών δικτύων" (2021). url: doi.org/10.48550/arXiv.2107.09200.
https://doi.org/10.48550/arXiv.2107.09200
[40] Mario Lezcano-Casado και David Martınez-Rubio. «Φτηνοί ορθογώνιοι περιορισμοί σε νευρωνικά δίκτυα: Μια απλή παραμετροποίηση της ορθογωνικής και ενιαίας ομάδας». Σε Διεθνές Συνέδριο για τη Μηχανική Μάθηση. Σελίδες 3794–3803. PMLR (2019). url: doi.org/10.48550/arXiv.1901.08428.
https://doi.org/10.48550/arXiv.1901.08428
[41] Moshe Leshno, Vladimir Ya Lin, Allan Pinkus και Shimon Schocken. "Τα δίκτυα πολλαπλών επιπέδων τροφοδοσίας με συνάρτηση μη πολυωνυμικής ενεργοποίησης μπορούν να προσεγγίσουν οποιαδήποτε συνάρτηση". Neural networks 6, 861–867 (1993).
https://doi.org/10.1016/S0893-6080(05)80131-5
[42] Robert Hecht-Nielsen. «Θεωρία του νευρωνικού δικτύου backpropagation». Στα νευρωνικά δίκτυα για την αντίληψη. Σελίδες 65–93. Elsevier (1992).
https://doi.org/10.1109/IJCNN.1989.118638
[43] Ραούλ Ρόχας. «Ο αλγόριθμος backpropagation». Στα νευρωνικά δίκτυα. Σελίδες 149–182. Springer (1996).
https://doi.org/10.1007/978-3-642-61068-4_7
[44] Jiancheng Yang, Rui Shi και Bingbing Ni. "Medmnist classification decathlon: A lightweight automl benchmark για ανάλυση ιατρικής εικόνας" (2020).
https://doi.org/10.1109/ISBI48211.2021.9434062
[45] Daniel S. Kermany, Michael Goldbaum, και et al. «Προσδιορισμός ιατρικών διαγνώσεων και θεραπεύσιμων ασθενειών με βαθιά μάθηση βάσει εικόνας». Cell, τομ. 172, αρ. 5, σελ. 1122 – 1131.ε9, (2018).
https://doi.org/10.1016/j.cell.2018.02.010
[46] Πινγκ Ζανγκ και Μπιν Σενγκ. «Στοιχεία εικόνων διαβητικής αμφιβληστροειδοπάθειας Deepdr (deepdrid), «η 2η διαβητική αμφιβληστροειδοπάθεια – πρόκληση αξιολόγησης βαθμολόγησης και ποιότητας εικόνας»». https://isbi.deepdr.org/data.html (2020).
https://isbi.deepdr.org/data.html~
[47] Hyeonwoo Noh, Tackgeun You, Jonghwan Mun και Bohyung Han. «Ρυθμίζοντας βαθιά νευρωνικά δίκτυα με θόρυβο: Η ερμηνεία και η βελτιστοποίησή του». NeurIPS (2017).
https: / / doi.org/ 10.5555 / 3295222.3295264
[48] Xue Ying. «Μια επισκόπηση της υπερπροσαρμογής και των λύσεών της». Στο Journal of physics: Σειρά συνεδρίων. Τόμος 1168, σελίδα 022022. Έκδοση IOP (2019).
https://doi.org/10.1088/1742-6596/1168/2/022022
[49] El Amine Cherrat, Ιορδάνης Κερενίδης, Natansh Mathur, Jonas Landman, Martin Strahm και Yun Yvonna Li. «Κβαντικοί μετασχηματιστές όρασης» (2022).
[50] Σκοτ Άαρονσον. «Διαβάστε τα ψιλά γράμματα». Nature Physics 11, 291–293 (2015).
https: / / doi.org/ 10.1038 / nphys3272
[51] Michael A. Nielsen. «Νευρωνικά δίκτυα και βαθιά μάθηση». Determination Press (2015).
Αναφέρεται από
Αυτό το Βιβλίο δημοσιεύεται στο Quantum στο πλαίσιο του Creative Commons Attribution 4.0 Διεθνής (CC BY 4.0) άδεια. Τα πνευματικά δικαιώματα παραμένουν στους κατόχους των πρωτότυπων δικαιωμάτων πνευματικής ιδιοκτησίας όπως οι δημιουργοί ή τα ιδρύματά τους
