Tehokkaat algoritmit kvanttiinformaation pullonkaulaan

Tehokkaat algoritmit kvanttiinformaation pullonkaulaan

Aikaleima: 2. maaliskuuta 2023 12

Masahito Hayashi1,2,3,4 ja Yuxiang Yang5

1Shenzhenin kvanttitieteen ja -tekniikan instituutti, Eteläinen tiede- ja teknologiayliopisto, Shenzhen, 518055, Kiina
2International Quantum Academy (SIQA), Futian District, Shenzhen 518048, Kiina
3Guangdongin maakunnan kvanttitieteen ja tekniikan avainlaboratorio, Southern University of Science and Technology, Shenzhen, 518055, Kiina
4Graduate School of Mathematics, Nagoyan yliopisto, Nagoya, 464-8602, Japani
5QICI Quantum Information and Computation Initiative, tietojenkäsittelytieteen laitos, Hongkongin yliopisto, Pokfulam Road, Hong Kong

Onko tämä artikkeli mielenkiintoinen vai haluatko keskustella? Scite tai jätä kommentti SciRate.

Abstrakti

Kyky poimia olennaista tietoa on ratkaisevan tärkeää oppimisen kannalta. Nerokas lähestymistapa sinänsä on tiedon pullonkaula, optimointiongelma, jonka ratkaisu vastaa todenmukaista ja muistitehokasta oleellisen tiedon esittämistä suuresta järjestelmästä. Kvanttilaskennan aikakauden tulo vaatii tehokkaita menetelmiä, jotka toimivat kvanttijärjestelmiä koskevalla tiedolla. Tässä käsittelemme tätä ehdottamalla uutta ja yleistä algoritmia tiedon pullonkaulan kvanttiyleistämiseen. Algoritmimme on erinomainen konvergenssin nopeudessa ja tarkkuudessa verrattuna aikaisempiin tuloksiin. Se toimii myös paljon laajemmissa ongelmissa, mukaan lukien deterministisen tiedon pullonkaulan kvanttilaajennus, joka on tärkeä muunnelma alkuperäisestä tiedon pullonkaulaongelmasta. Huomaamme erityisesti, että kvanttijärjestelmä voi saavuttaa ehdottoman paremman suorituskyvyn kuin klassinen samankokoinen järjestelmä kvanttiinformaation pullonkaulassa, mikä tarjoaa uuden näkemyksen kvanttikoneoppimisen edun perustelemisesta.

Tehokkaat algoritmit kvanttiinformaation pullonkaulaan PlatoBlockchain Data Intelligence. Pystysuuntainen haku. Ai.

Suositeltu kuva: Tietojen pullonkaulaongelma

Suosittu yhteenveto

Kuvittele, että syntyy suuri määrä tietoa säästä. Huomisen sään ennustamiseksi näin suurta datamäärää on vaikea käsitellä, ja alkuperäisestä suuresta datasta X on poimittava olennainen tieto T. Tiedon pullonkaula toteuttaa tämän tiedon talteenoton tavoitteen minimoimalla tietyn informaatiomäärän.

Kvanttilaskennan aikakauden tulo vaatii tiedon pullonkaula-algoritmeja, jotka toimivat kvanttijärjestelmissä. Tässä työssä suunnittelemme sellaisen algoritmin, joka toimii yleisesti, kun jompikumpi (tai molemmat) T:sta ja Y:stä on kvanttijärjestelmä. Algoritmimme on erinomainen konvergenssin nopeudessa ja tarkkuudessa verrattuna aikaisempiin tuloksiin. Huomattavaa on, että löysimme todellisen edun kvanttijärjestelmän käyttämisestä uutena tietokantana T, mikä viittaa siihen, että kvanttijärjestelmät voisivat paremmin edustaa koneoppimisen avainpiirteitä.

► BibTeX-tiedot

► Viitteet

[1] S. Arimoto. Algoritmi mielivaltaisten diskreettien muistittomien kanavien kapasiteetin laskemiseksi. 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 ja Stefano Pirandola. Yleistys kvanttikoneoppimisessa: kvanttiinformaation näkökulma. PRX Quantum, 2: 040321, marraskuu 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 ja Seth Lloyd. Kvanttikoneoppiminen. Nature, 549 (7671): 195–202, 2017. 10.1038 / nature23474.
https: / / doi.org/ 10.1038 / nature23474

[4] R. Blahut. Kanavakapasiteetin ja nopeussäröfunktioiden laskenta. 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 ja Francesco Petruccione. Kvanttiluokitin räätälöidyllä kvanttiytimellä. 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 ja Andreas Winter. Kvanttitiedon pullonkaulafunktion konveksiiteetti ja operatiivinen tulkinta. Vuonna 2019 IEEE International Symposium on Information Theory (ISIT), sivut 1157–1161, 2019. 10.1109/ISIT.2019.8849518.
https: / / doi.org/ 10.1109 / ISIT.2019.8849518

[7] András Gilyén, Yuan Su, Guang Hao Low ja Nathan Wiebe. Kvanttiyksikköarvon muunnos ja sen jälkeen: eksponentiaalisia parannuksia kvanttimatriisiaritmetiikkaan. Proceedings of the 51st Annual ACM SIGACT Symposium on Theory of Computing, sivut 193–204, 2019. 10.1145/​3313276.3316366.
https: / / doi.org/ 10.1145 / +3313276.3316366

[8] Ziv Goldfeld ja Yury Polyanskiy. Tiedon pullonkaulaongelma ja sen sovellukset koneoppimisessa. 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 ja Susanne Still. Kvantti ennustava suodatus. Phys. Rev. A, 94: 012338, heinäkuu 2016. 10.1103/​PhysRevA.94.012338.
https: / / doi.org/ 10.1103 / PhysRevA.94.012338

[10] Aram W Harrow, Avinatan Hassidim ja Seth Lloyd. Kvanttialgoritmi lineaarisille yhtälöjärjestelmille. 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 ja Jay M Gambetta. Ohjattu oppiminen kvanttiparannetuilla ominaisuusalueilla. Nature, 567 (7747): 209–212, 2019. 10.1038 / s41586-019-0980-2.
https:/​/​doi.org/​10.1038/​s41586-019-0980-2

[12] Masahito Hayashi ja Vincent YF Tan. Vähimmäismäärät suunnilleen riittävät tilastot. 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. Kvanttitunnistus- ja estimointiteoria. Journal of Statistical Physics, 1 (2): 231–252, 1969. 10.1007 / BF01007479.
https: / / doi.org/ 10.1007 / BF01007479

[14] Christoph Hirche ja Andreas Winter. Tietojen pullonkaulatoiminnolle sidottu aakkoskoko. Vuonna 2020 IEEE International Symposium on Information Theory (ISIT), sivut 2383–2388, 2020. 10.1109/ISIT44484.2020.9174416.
https: / / doi.org/ 10.1109 / ISIT44484.2020.9174416

[15] Aleksanteri S Holevo. Kvanttiteorian todennäköisyys- ja tilastolliset näkökohdat, osa 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 ja Shih-Fu Chang. Videohaun uudelleensijoitus tiedon pullonkaulaperiaatteella. MM '06, sivut 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 ja Nathan Killoran. Kvanttiupotukset koneoppimiseen. arXiv preprint arXiv:2001.03622, 2020. 10.48550/​arXiv.2001.03622.
https://​/​doi.org/​10.48550/​arXiv.2001.03622
arXiv: 2001.03622

[18] Guang Hao Low ja Isaac L Chuang. Hamiltonin simulointi tasaisella spektrivahvistuksella. arXiv preprint arXiv:1707.05391, 2017. 10.48550/arXiv.1707.05391.
https://​/​doi.org/​10.48550/​arXiv.1707.05391
arXiv: 1707.05391

[19] Guang Hao Low ja Isaac L Chuang. Hamiltonin simulointi kvantisoimalla. 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 ja José I Latorre. Tietojen uudelleenlataus yleistä kvanttilakitinta varten. Quantum, 4: 226, 2020. 10.22331/q-2020-02-06-226.
https:/​/​doi.org/​10.22331/​q-2020-02-06-226

[21] Martin Plesch ja Vladimír Bužek. Kvanttitiedon tehokas pakkaus. 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 ja Mario Berta. Kvanttikanavakapasiteetin laskeminen. 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 ja Aephraim M Steinberg. Kubittijoukon kvanttidatan pakkaus. 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 ja Karoline Wiesner. Olennaisten tietojen kvanttinopeus-vääristymäkoodaus. 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. Valvotut kvanttikoneoppimismallit ovat ydinmenetelmiä. arXiv preprint arXiv:2101.11020, 2021. 10.48550/​arXiv.2101.11020.
https://​/​doi.org/​10.48550/​arXiv.2101.11020
arXiv: 2101.11020

[26] Maria Schuld ja Nathan Killoran. Kvanttikoneoppiminen Hilbert-avaruudessa. 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 ja Francesco Petruccione. Johdanto kvanttikoneoppimiseen. Contemporary Physics, 56 (2): 172–185, 2015. 10.1080 / 00107514.2014.964942.
https: / / doi.org/ 10.1080 / +00107514.2014.964942

[28] Ravid Shwartz-Ziv ja Naftali Tishby. Syvien hermoverkkojen mustan laatikon avaaminen tiedon avulla. arXiv preprint arXiv:1703.00810, 2017. 10.48550/arXiv.1703.00810.
https://​/​doi.org/​10.48550/​arXiv.1703.00810
arXiv: 1703.00810

[29] Noam Slonim ja Naftali Tishby. Asiakirjojen klusterointi sanaklustereilla tiedon pullonkaulamenetelmällä. SIGIR '00, sivut 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 ja Gerhard Bauch. Polaarikoodin rakentaminen tiedon pullonkaulamenetelmällä. Vuonna 2018 IEEE Wireless Communications and Networking Conference Workshops (WCNCW), sivut 7–12, 2018. 10.1109/​WCNCW.2018.8368978.
https://​/​doi.org/​10.1109/​WCNCW.2018.8368978

[31] DJ Strouse ja David J. Schwab. Deterministisen tiedon pullonkaula. 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 ja W. Bialek. Tiedon pullonkaulamenetelmä. 37. vuotuisessa Allerton Conference on Communication, Control and Computing, sivut 368–377. Univ. Illinois Press, 1999. 10.48550/​arXiv.physics/​0004057.
https://​/​doi.org/​10.48550/​arXiv.physics/​0004057

[33] Naftali Tishby ja Noga Zaslavsky. Syväoppiminen ja tiedon pullonkaulaperiaate. Vuonna 2015 IEEE informaatioteorian työpaja (ITW), sivut 1–5. IEEE, 2015. 10.1109/ITW.2015.7133169.
https: / / doi.org/ 10.1109 / ITW.2015.7133169

[34] Peter Wittek. Kvanttikoneoppiminen: mitä kvanttilaskenta tarkoittaa tiedon louhinnassa. Academic Press, 2014. 10.1016/​C2013-0-19170-2.
https:/​/​doi.org/​10.1016/​C2013-0-19170-2

[35] Yuxiang Yang, Giulio Chiribella ja Daniel Ebler. Tehokas kvanttipakkaus identtisesti valmistettujen sekatilojen ryhmille. 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 ja Masahito Hayashi. Optimaalinen pakkaus identtisesti valmistetuille kubittitiloille. Phys. Rev. Lett., 117: 090502, elokuu 2016b. 10.1103/​PhysRevLett.117.090502.
https: / / doi.org/ 10.1103 / PhysRevLett.117.090502

[37] Yuxiang Yang, Ge Bai, Giulio Chiribella ja Masahito Hayashi. Pakkaus kvanttipopulaatiokoodausta varten. 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 ja Masahito Hayashi. Kvanttisekuntikello: kuinka tallentaa aikaa kvanttimuistiin. Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, 474 (2213): 20170773, 2018b. 10.1098/rspa.2017.0773.
https: / / doi.org/ 10.1098 / rspa.2017.0773

Viitattu

[1] Ahmet Burak Catli ja Nathan Wiebe, "Kvanttihermoverkkojen koulutus kvanttitietopullonkaulamenetelmällä", arXiv: 2212.02600, (2022).

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

Yllä olevat sitaatit ovat peräisin SAO: n ja NASA: n mainokset (viimeksi päivitetty onnistuneesti 2023-03-02 17:03:40). Lista voi olla puutteellinen, koska kaikki julkaisijat eivät tarjoa sopivia ja täydellisiä viittaustietoja.

Ei voitu noutaa Crossref siteeratut tiedot viimeisen yrityksen aikana 2023-03-02 17:03:39: Ei voitu noutaa viittauksia 10.22331 / q-2023-03-02-936 mainittuihin tietoihin Crossrefiltä. Tämä on normaalia, jos DOI rekisteröitiin äskettäin.

Tämä kirja on julkaistu Quantum - lehdessä Creative Commons Nimeäminen 4.0 Kansainvälinen (CC BY 4.0) lisenssin. Tekijänoikeudet säilyvät alkuperäisillä tekijänoikeuksien haltijoilla, kuten tekijöillä tai heidän instituutioillaan.

Aikaleima:

Lisää aiheesta Quantum Journal