Algoritmos eficientes para cuellos de botella de información cuántica

Algoritmos eficientes para cuellos de botella de información cuántica

Marca de tiempo: 2 de marzo de 2023 12:00 p.m.

Masahito Hayashi1,2,3,4 y yuxiang yang5

1Instituto de Ciencia e Ingeniería Cuántica de Shenzhen, Universidad de Ciencia y Tecnología del Sur, Shenzhen, 518055, China
2Academia Cuántica Internacional (SIQA), distrito de Futian, Shenzhen 518048, China
3Laboratorio Provincial Clave de Ciencia e Ingeniería Cuántica de Guangdong, Universidad de Ciencia y Tecnología del Sur, Shenzhen, 518055, China
4Escuela de Graduados en Matemáticas, Universidad de Nagoya, Nagoya, 464-8602, Japón
5Iniciativa de Computación e Información Cuántica QICI, Departamento de Ciencias de la Computación, Universidad de Hong Kong, Pokfulam Road, Hong Kong

¿Encuentra este documento interesante o quiere discutirlo? Scite o deje un comentario en SciRate.

Resumen

La capacidad de extraer información relevante es fundamental para el aprendizaje. Un enfoque ingenioso como tal es el cuello de botella de información, un problema de optimización cuya solución corresponde a una representación fiel y eficiente en memoria de la información relevante de un sistema grande. El advenimiento de la era de la computación cuántica exige métodos eficientes que trabajen con información relacionada con los sistemas cuánticos. Aquí abordamos esto proponiendo un algoritmo nuevo y general para la generalización cuántica del cuello de botella de información. Nuestro algoritmo sobresale en la velocidad y la definición de la convergencia en comparación con los resultados anteriores. También funciona para una gama mucho más amplia de problemas, incluida la extensión cuántica del cuello de botella de información determinista, una variante importante del problema del cuello de botella de información original. En particular, descubrimos que un sistema cuántico puede lograr un rendimiento estrictamente mejor que un sistema clásico del mismo tamaño con respecto al cuello de botella de información cuántica, proporcionando una nueva visión para justificar la ventaja del aprendizaje automático cuántico.

Algoritmos eficientes para el cuello de botella de información cuántica PlatoBlockchain Data Intelligence. Búsqueda vertical. Ai.

Imagen destacada: El problema del cuello de botella de la información

Resumen popular

Imagina que se generan una gran cantidad de datos sobre el clima. Para predecir el clima de mañana, una cantidad tan grande de datos es difícil de manejar y es necesario extraer información esencial T de los grandes datos originales X. El cuello de botella de información logra este objetivo de extracción de información al minimizar una cierta cantidad de información.

El advenimiento de la era de la computación cuántica exige algoritmos de cuello de botella de información que funcionen para sistemas cuánticos. En este trabajo, diseñamos un algoritmo que funciona generalmente cuando T e Y (o ambos) es un sistema cuántico. Nuestro algoritmo sobresale en la velocidad y la definición de la convergencia en comparación con los resultados anteriores. Sorprendentemente, encontramos una ventaja genuina de usar un sistema cuántico como la nueva base de datos T, lo que sugiere que los sistemas cuánticos podrían ser mejores para representar características clave en el aprendizaje automático.

► datos BibTeX

► referencias

[ 1 ] S. Arimoto. Un algoritmo para calcular la capacidad de canales arbitrarios discretos sin memoria. 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 y Stefano Pirandola. Generalización en el aprendizaje automático cuántico: un punto de vista de la información cuántica. PRX Quantum, 2: 040321, noviembre de 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 y Seth Lloyd. Aprendizaje automático cuántico. Nature, 549 (7671): 195-202, 2017. 10.1038 / nature23474.
https: / / doi.org/ 10.1038 / nature23474

[ 4 ] R. Blahut. Cálculo de la capacidad del canal y funciones de tasa de distorsión. 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 y Francesco Petruccione. Clasificador cuántico con kernel cuántico personalizado. 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 y Andreas Winter. Convexidad e interpretación operativa de la función de cuello de botella de información cuántica. En el Simposio internacional sobre teoría de la información (ISIT) del IEEE de 2019, páginas 1157–1161, 2019. 10.1109/ISIT.2019.8849518.
https: / / doi.org/ 10.1109 / ISIT.2019.8849518

[ 7 ] András Gilyén, Yuan Su, Guang Hao Low y Nathan Wiebe. Transformación cuántica de valores singulares y más allá: mejoras exponenciales para la aritmética de matrices cuánticas. En Actas del 51° Simposio Anual ACM SIGACT sobre Teoría de la Computación, páginas 193–204, 2019. 10.1145/3313276.3316366.
https: / / doi.org/ 10.1145 / 3313276.3316366

[ 8 ] Ziv Goldfeld y Yury Polyanskiy. El problema del cuello de botella de información y sus aplicaciones en el aprendizaje automático. 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 y Susanne Still. Filtrado predictivo cuántico. física Rev. A, 94: 012338, julio de 2016. 10.1103/​PhysRevA.94.012338.
https: / / doi.org/ 10.1103 / PhysRevA.94.012338

[ 10 ] Aram W Harrow, Avinatan Hassidim y Seth Lloyd. Algoritmo cuántico para sistemas lineales de ecuaciones. Cartas de revisión física, 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 y Jay M Gambetta. Aprendizaje supervisado con espacios de funciones mejorados cuánticamente. Nature, 567 (7747): 209–212, 2019. 10.1038 / s41586-019-0980-2.
https:/​/​doi.org/​10.1038/​s41586-019-0980-2

[ 12 ] Masahito Hayashi y Vincent YF Tan. Tasas mínimas de estadísticas suficientes aproximadas. 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. Teoría de estimación y detección cuántica. Journal of Statistical Physics, 1 (2): 231-252, 1969. 10.1007 / BF01007479.
https: / / doi.org/ 10.1007 / BF01007479

[ 14 ] Christoph Hirche y Andreas Winter. Un límite de tamaño alfabético para la función de cuello de botella de información. En 2020 Simposio internacional IEEE sobre teoría de la información (ISIT), páginas 2383–2388, 2020. 10.1109/ISIT44484.2020.9174416.
https: / / doi.org/ 10.1109 / ISIT44484.2020.9174416

[ 15 ] Alexander S Holevo. Aspectos probabilísticos y estadísticos de la teoría cuántica, volumen 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 y Shih-Fu Chang. Reclasificación de búsqueda de videos a través del principio de cuello de botella de información. MM '06, páginas 35–44, Nueva York, NY, EE. UU., 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 y Nathan Killoran. Incorporaciones cuánticas para el aprendizaje automático. Preimpresión de arXiv arXiv:2001.03622, 2020. 10.48550/​arXiv.2001.03622.
https://​/​doi.org/​10.48550/​arXiv.2001.03622
arXiv: 2001.03622

[ 18 ] Guang Hao Low e Isaac L Chuang. Simulación hamiltoniana por amplificación espectral uniforme. preimpresión de arXiv arXiv:1707.05391, 2017. 10.48550/​arXiv.1707.05391.
https://​/​doi.org/​10.48550/​arXiv.1707.05391
arXiv: 1707.05391

[ 19 ] Guang Hao Low e Isaac L Chuang. Simulación hamiltoniana por qubitización. 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 y José I Latorre. Recarga de datos para un clasificador cuántico universal. Cuántica, 4: 226, 2020. 10.22331/q-2020-02-06-226.
https:/​/​doi.org/​10.22331/​q-2020-02-06-226

[ 21 ] Martin Plesch y Vladimir Bužek. Compresión eficiente de la información cuántica. Revisión física 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 y Mario Berta. Cálculo de las capacidades de los canales cuánticos. 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 y Aephraim M Steinberg. Compresión de datos cuánticos de un conjunto qubit. Cartas de revisión física, 113 (16): 160504, 2014. 10.1103/​PhysRevLett.113.160504.
https: / / doi.org/ 10.1103 / PhysRevLett.113.160504

[ 24 ] Sina Salek, Daniela Cadamuro, Philipp Kammerlander y Karoline Wiesner. Codificación de distorsión de velocidad cuántica de información relevante. IEEE Transactions on Information Theory, 65 (4): 2603–2613, 2019. 10.1109/​TIT.2018.2878412.
https: / / doi.org/ 10.1109 / TIT.2018.2878412

[ 25 ] María Schuld. Los modelos de aprendizaje automático cuántico supervisado son métodos kernel. preimpresión de arXiv arXiv:2101.11020, 2021. 10.48550/​arXiv.2101.11020.
https://​/​doi.org/​10.48550/​arXiv.2101.11020
arXiv: 2101.11020

[ 26 ] María Schuld y Nathan Killoran. Aprendizaje automático cuántico en espacios característicos de Hilbert. Cartas de revisión física, 122 (4): 040504, 2019. 10.1103/​PhysRevLett.122.040504.
https: / / doi.org/ 10.1103 / PhysRevLett.122.040504

[ 27 ] Maria Schuld, Ilya Sinayskiy y Francesco Petruccione. Introducción al aprendizaje automático cuántico. Contemporary Physics, 56 (2): 172-185, 2015. 10.1080 / 00107514.2014.964942.
https: / / doi.org/ 10.1080 / 00107514.2014.964942

[ 28 ] Ravid Shwartz-Ziv y Naftali Tishby. Abriendo la caja negra de las redes neuronales profundas a través de la información. Preimpresión de arXiv arXiv:1703.00810, 2017. 10.48550/​arXiv.1703.00810.
https://​/​doi.org/​10.48550/​arXiv.1703.00810
arXiv: 1703.00810

[ 29 ] Noam Slonim y Naftali Tishby. Agrupación de documentos utilizando grupos de palabras a través del método de cuello de botella de información. SIGIR '00, páginas 208–215, Nueva York, NY, EE. UU., 2000. Association for Computing Machinery. ISBN 1581132263. 10.1145/345508.345578.
https: / / doi.org/ 10.1145 / 345508.345578

[ 30 ] Maximilian Stark, Aizaz Shah y Gerhard Bauch. Construcción de código polar utilizando el método de cuello de botella de información. En 2018 IEEE Wireless Communications and Networking Conference Workshops (WCNCW), páginas 7 a 12, 2018. 10.1109/WCNCW.2018.8368978.
https://​/​doi.org/​10.1109/​WCNCW.2018.8368978

[ 31 ] DJ Strouse y David J. Schwab. El cuello de botella de la información determinista. Computación neuronal, 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 y W. Bialek. El método del cuello de botella de la información. En la 37.ª conferencia anual de Allerton sobre comunicación, control y computación, páginas 368–377. Universidad Illinois Press, 1999. 10.48550/​arXiv.physics/​0004057.
https:/​/​doi.org/​10.48550/​arXiv.physics/​0004057

[ 33 ] Naftali Tishby y Noga Zaslavsky. Aprendizaje profundo y el principio del cuello de botella de la información. En el taller de teoría de la información (ITW) del IEEE de 2015, páginas 1 a 5. IEEE, 2015. 10.1109/ITW.2015.7133169.
https: / / doi.org/ 10.1109 / ITW.2015.7133169

[ 34 ] Pedro Wittek. Aprendizaje automático cuántico: qué significa la computación cuántica para la minería de datos. Prensa académica, 2014. 10.1016/​C2013-0-19170-2.
https:/​/​doi.org/​10.1016/​C2013-0-19170-2

[ 35 ] Yuxiang Yang, Giulio Chiribella y Daniel Ebler. Compresión cuántica eficiente para conjuntos de estados mixtos preparados de forma idéntica. Cartas de Revisión Física, 116 (8): 080501, 2016a. 10.1103/​PhysRev Lett.116.080501.
https: / / doi.org/ 10.1103 / PhysRevLett.116.080501

[ 36 ] Yuxiang Yang, Giulio Chiribella y Masahito Hayashi. Compresión óptima para estados de qubit preparados de forma idéntica. física Rev. Lett., 117: 090502, agosto de 2016b. 10.1103/​PhysRev Lett.117.090502.
https: / / doi.org/ 10.1103 / PhysRevLett.117.090502

[ 37 ] Yuxiang Yang, Ge Bai, Giulio Chiribella y Masahito Hayashi. Compresión para codificación de población cuántica. 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 y Masahito Hayashi. Cronómetro cuántico: cómo almacenar el tiempo en una memoria cuántica. Actas de la Royal Society A: Ciencias Matemáticas, Físicas y de Ingeniería, 474 (2213): 20170773, 2018b. 10.1098/​rsp.2017.0773.
https: / / doi.org/ 10.1098 / rspa.2017.0773

Citado por

[1] Ahmet Burak Catli y Nathan Wiebe, "Entrenamiento de redes neuronales cuánticas mediante el método Quantum Information Bottleneck", arXiv: 2212.02600, (2022).

[2] Yuxuan Du, Yibo Yang, Dacheng Tao y Min-Hsiu Hsieh, "Desmitificar el poder dependiente del problema de las redes neuronales cuánticas en la clasificación de clases múltiples", arXiv: 2301.01597, (2022).

Las citas anteriores son de ANUNCIOS SAO / NASA (última actualización exitosa 2023-03-02 17:03:40). La lista puede estar incompleta ya que no todos los editores proporcionan datos de citas adecuados y completos.

No se pudo recuperar Crossref citado por datos durante el último intento 2023-03-02 17:03:39: No se pudieron obtener los datos citados por 10.22331 / q-2023-03-02-936 de Crossref. Esto es normal si el DOI se registró recientemente.

Este documento se publica en Quantum bajo el Creative Commons Reconocimiento 4.0 Internacional (CC BY 4.0) licencia. Los derechos de autor permanecen con los titulares de derechos de autor originales, como los autores o sus instituciones.

Sello de tiempo:

Mas de Diario cuántico