Algorithmes efficaces pour le goulot d'étranglement de l'information quantique

Algorithmes efficaces pour le goulot d'étranglement de l'information quantique

Horodatage: 2 mars 2023 12h00

Masahito Hayashi1,2,3,4 et Yuxiang Yang5

1Institut de Shenzhen pour la science et l'ingénierie quantiques, Université des sciences et technologies du Sud, Shenzhen, 518055, Chine
2International Quantum Academy (SIQA), Futian District, Shenzhen 518048, Chine
3Guangdong Provincial Key Laboratory of Quantum Science and Engineering, Southern University of Science and Technology, Shenzhen, 518055, Chine
4École supérieure de mathématiques, Université de Nagoya, Nagoya, 464-8602, Japon
5QICI Quantum Information and Computation Initiative, Département d'informatique, Université de Hong Kong, Pokfulam Road, Hong Kong

Vous trouvez cet article intéressant ou souhaitez en discuter? Scite ou laisse un commentaire sur SciRate.

Abstract

La capacité d'extraire des informations pertinentes est essentielle à l'apprentissage. Une approche ingénieuse en tant que telle est le goulot d'étranglement de l'information, un problème d'optimisation dont la solution correspond à une représentation fidèle et économe en mémoire des informations pertinentes d'un grand système. L'avènement de l'ère de l'informatique quantique appelle des méthodes efficaces qui travaillent sur les informations concernant les systèmes quantiques. Ici, nous abordons ce problème en proposant un nouvel algorithme général pour la généralisation quantique du goulot d'étranglement de l'information. Notre algorithme excelle dans la rapidité et la précision de la convergence par rapport aux résultats antérieurs. Cela fonctionne également pour un éventail beaucoup plus large de problèmes, y compris l'extension quantique du goulot d'étranglement d'information déterministe, une variante importante du problème de goulot d'étranglement d'information d'origine. Notamment, nous découvrons qu'un système quantique peut atteindre des performances strictement meilleures qu'un système classique de même taille en ce qui concerne le goulot d'étranglement de l'information quantique, offrant une nouvelle vision sur la justification de l'avantage de l'apprentissage automatique quantique.

Algorithmes efficaces pour le goulot d'étranglement de l'information quantique PlatoBlockchain Data Intelligence. Recherche verticale. Aï.

Image en vedette : Le problème du goulot d'étranglement de l'information

Résumé populaire

Imaginez qu'une grande quantité de données sur la météo soit générée. Afin de prédire le temps qu'il fera demain, une telle quantité de données est difficile à gérer et il est nécessaire d'extraire les informations essentielles T des grandes données d'origine X. Le goulot d'étranglement de l'information réalise cet objectif d'extraction d'informations en minimisant une certaine quantité d'informations.

L'avènement de l'ère de l'informatique quantique appelle des algorithmes de goulot d'étranglement de l'information qui fonctionnent pour les systèmes quantiques. Dans ce travail, nous concevons un tel algorithme qui fonctionne généralement lorsque l'un (ou les deux) de T et Y est un système quantique. Notre algorithme excelle dans la rapidité et la précision de la convergence par rapport aux résultats antérieurs. Remarquablement, nous avons trouvé un véritable avantage à utiliser un système quantique comme nouvelle base de données T, ce qui suggère que les systèmes quantiques pourraient mieux représenter les caractéristiques clés de l'apprentissage automatique.

► Données BibTeX

► Références

S.Arimoto. Un algorithme pour calculer la capacité de canaux discrets arbitraires sans mémoire. IEEE Transactions on Information Theory, 18 (1): 14–20, 1972. 10.1109/​TIT.1972.1054753.
https: / / doi.org/ 10.1109 / TIT.1972.1054753

Leonardo Banchi, Jason Pereira et Stefano Pirandola. Généralisation dans l'apprentissage automatique quantique : du point de vue de l'information quantique. PRX Quantum, 2 : 040321, novembre 2021. 10.1103/​PRXQuantum.2.040321.
https: / / doi.org/ 10.1103 / PRXQuantum.2.040321

Jacob Biamonte, Peter Wittek, Nicola Pancotti, Patrick Rebentrost, Nathan Wiebe et Seth Lloyd. Apprentissage automatique quantique. Nature, 549 (7671) : 195-202, 2017. 10.1038/​nature23474.
https: / / doi.org/ 10.1038 / nature23474

R. Blahut. Calcul de la capacité du canal et des fonctions débit-distorsion. IEEE Transactions on Information Theory, 18 (4): 460–473, 1972. 10.1109/​TIT.1972.1054855.
https: / / doi.org/ 10.1109 / TIT.1972.1054855

Carsten Blank, Daniel K Park, June-Koo Kevin Rhee et Francesco Petruccione. Classificateur quantique avec noyau quantique sur mesure. npj Quantum Information, 6 (1): 1–7, 2020. 10.1038/​s41534-020-0272-6.
https:/​/​doi.org/​10.1038/​s41534-020-0272-6

Nilanjana Datta, Christoph Hirche et Andreas Winter. Convexité et interprétation opérationnelle de la fonction de goulot d'étranglement de l'information quantique. In 2019 IEEE International Symposium on Information Theory (ISIT), pages 1157–1161, 2019. 10.1109/​ISIT.2019.8849518.
https: / / doi.org/ 10.1109 / ISIT.2019.8849518

András Gilyén, Yuan Su, Guang Hao Low et Nathan Wiebe. Transformation de valeur singulière quantique et au-delà : améliorations exponentielles pour l'arithmétique matricielle quantique. Dans Actes du 51e symposium annuel ACM SIGACT sur la théorie de l'informatique, pages 193-204, 2019. 10.1145/​3313276.3316366.
https: / / doi.org/ 10.1145 / 3313276.3316366

Ziv Goldfeld et Yury Polyanskiy. Le problème du goulot d'étranglement de l'information et ses applications en apprentissage automatique. 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

Arne L. Grimsmo et Susanne Still. Filtrage prédictif quantique. Phys. Rev. A, 94 : 012338, juillet 2016. 10.1103/​PhysRevA.94.012338.
https: / / doi.org/ 10.1103 / PhysRevA.94.012338

Aram W Harrow, Avinatan Hassidim et Seth Lloyd. Algorithme quantique pour les systèmes linéaires d'équations. Lettres d'examen physique, 103 (15): 150502, 2009. 10.1103/​PhysRevLett.103.150502.
https: / / doi.org/ 10.1103 / PhysRevLett.103.150502

Vojtěch Havlíček, Antonio D Córcoles, Kristan Temme, Aram W Harrow, Abhinav Kandala, Jerry M Chow et Jay M Gambetta. Apprentissage supervisé avec des espaces de fonctionnalités améliorés quantiques. Nature, 567 (7747) : 209–212, 2019. 10.1038/​s41586-019-0980-2.
https:/​/​doi.org/​10.1038/​s41586-019-0980-2

Masahito Hayashi et Vincent YF Tan. Taux minimaux de statistiques approximatives suffisantes. IEEE Transactions on Information Theory, 64 (2): 875–888, 2018. 10.1109/​TIT.2017.2775612.
https: / / doi.org/ 10.1109 / TIT.2017.2775612

Carl W Helstrom. Détection quantique et théorie de l'estimation. Journal of Statistical Physics, 1 (2): 231–252, 1969. 10.1007 / BF01007479.
https: / / doi.org/ 10.1007 / BF01007479

Christoph Hirche et Andreas Winter. Limite de taille alphabétique pour la fonction de goulot d'étranglement de l'information. In 2020 IEEE International Symposium on Information Theory (ISIT), pages 2383–2388, 2020. 10.1109/​ISIT44484.2020.9174416.
https: / / doi.org/ 10.1109 / ISIT44484.2020.9174416

Alexandre S. Holevo. Aspects probabilistes et statistiques de la théorie quantique, volume 1. Springer Science & Business Media, 2011. 10.1007/​978-88-7642-378-9.
https:/​/​doi.org/​10.1007/​978-88-7642-378-9

Winston H. Hsu, Lyndon S. Kennedy et Shih-Fu Chang. Reclassement de la recherche vidéo via le principe du goulot d'étranglement de l'information. MM '06, pages 35–44, New York, NY, États-Unis, 2006. Association for Computing Machinery. ISBN 1595934472. 10.1145/​1180639.1180654.
https: / / doi.org/ 10.1145 / 1180639.1180654

Seth Lloyd, Maria Schuld, Aroosa Ijaz, Josh Izaac et Nathan Killoran. Incorporations quantiques pour l'apprentissage automatique. arXiv preprint arXiv:2001.03622, 2020. 10.48550/​arXiv.2001.03622.
https://​/​doi.org/​10.48550/​arXiv.2001.03622
arXiv: 2001.03622

Guang Hao Low et Isaac L Chuang. Simulation hamiltonienne par amplification spectrale uniforme. arXiv preprint arXiv:1707.05391, 2017. 10.48550/​arXiv.1707.05391.
https://​/​doi.org/​10.48550/​arXiv.1707.05391
arXiv: 1707.05391

Guang Hao Low et Isaac L Chuang. Simulation hamiltonienne par qubitisation. Quantum, 3: 163, 2019. 10.22331 / q-2019-07-12-163.
https:/​/​doi.org/​10.22331/​q-2019-07-12-163

Adrián Pérez-Salinas, Alba Cervera-Lierta, Elies Gil-Fuster et José I Latorre. Re-téléchargement de données pour un classificateur quantique universel. Quantique, 4 : 226, 2020. 10.22331/​q-2020-02-06-226.
https:/​/​doi.org/​10.22331/​q-2020-02-06-226

Martin Plesch et Vladimír Bužek. Compression efficace des informations quantiques. Examen physique A, 81 (3) : 032317, 2010. 10.1103/​PhysRevA.81.032317.
https: / / doi.org/ 10.1103 / PhysRevA.81.032317

Navneeth Ramakrishnan, Raban Iten, Volkher B. Scholz et Mario Berta. Calcul des capacités des canaux quantiques. IEEE Transactions on Information Theory, 67 (2): 946–960, 2021. 10.1109/​TIT.2020.3034471.
https: / / doi.org/ 10.1109 / TIT.2020.3034471

Lee A Rozema, Dylan H Mahler, Alex Hayat, Peter S Turner et Aephraim M Steinberg. Compression de données quantiques d'un ensemble de qubits. Lettres d'examen physique, 113 (16): 160504, 2014. 10.1103/​PhysRevLett.113.160504.
https: / / doi.org/ 10.1103 / PhysRevLett.113.160504

Sina Salek, Daniela Cadamuro, Philipp Kammerlander et Karoline Wiesner. Codage débit-distorsion quantique des informations pertinentes. IEEE Transactions on Information Theory, 65 (4): 2603–2613, 2019. 10.1109/​TIT.2018.2878412.
https: / / doi.org/ 10.1109 / TIT.2018.2878412

Marie Schuld. Les modèles d'apprentissage automatique quantique supervisé sont des méthodes du noyau. arXiv preprint arXiv:2101.11020, 2021. 10.48550/​arXiv.2101.11020.
https://​/​doi.org/​10.48550/​arXiv.2101.11020
arXiv: 2101.11020

Maria Schuld et Nathan Killoran. Apprentissage automatique quantique dans les espaces de Hilbert. Lettres d'examen physique, 122 (4) : 040504, 2019. 10.1103/​PhysRevLett.122.040504.
https: / / doi.org/ 10.1103 / PhysRevLett.122.040504

Maria Schuld, Ilya Sinayskiy et Francesco Petruccione. Une introduction à l'apprentissage automatique quantique. Contemporary Physics, 56 (2): 172–185, 2015. 10.1080 / 00107514.2014.964942.
https: / / doi.org/ 10.1080 / 00107514.2014.964942

Ravid Shwartz-Ziv et Naftali Tishby. Ouvrir la boîte noire des réseaux de neurones profonds via l'information. arXiv preprint arXiv:1703.00810, 2017. 10.48550/​arXiv.1703.00810.
https://​/​doi.org/​10.48550/​arXiv.1703.00810
arXiv: 1703.00810

Noam Slonim et Naftali Tishby. Regroupement de documents à l'aide de groupes de mots via la méthode du goulot d'étranglement de l'information. SIGIR '00, pages 208–215, New York, NY, États-Unis, 2000. Association for Computing Machinery. ISBN 1581132263. 10.1145/​345508.345578.
https: / / doi.org/ 10.1145 / 345508.345578

Maximilian Stark, Aizaz Shah et Gerhard Bauch. Construction du code polaire en utilisant la méthode du goulot d'étranglement de l'information. Dans 2018 IEEE Wireless Communications and Networking Conference Workshops (WCNCW), pages 7 à 12, 2018. 10.1109/​WCNCW.2018.8368978.
https://​/​doi.org/​10.1109/​WCNCW.2018.8368978

DJ Strouse et David J. Schwab. Le goulot d'étranglement de l'information déterministe. Calcul neuronal, 29 (6): 1611–1630, 06 2017. ISSN 0899-7667. 10.1162/​NECO_a_00961.
https://​/​doi.org/​10.1162/​NECO_a_00961

N. Tishby, FC Pereira et W. Bialek. La méthode du goulot d'étranglement de l'information. Dans la 37e conférence annuelle d'Allerton sur la communication, le contrôle et l'informatique, pages 368–377. Univ. Illinois Press, 1999. 10.48550/​arXiv.physics/​0004057.
https://​/​doi.org/​10.48550/​arXiv.physics/​0004057

Naftali Tishby et Noga Zaslavsky. Apprentissage en profondeur et principe du goulot d'étranglement de l'information. En 2015, atelier de théorie de l'information IEEE (ITW), pages 1 à 5. IEEE, 2015. 10.1109/​ITW.2015.7133169.
https://​/​doi.org/​10.1109/​ITW.2015.7133169

Pierre Wittek. Apprentissage automatique quantique : ce que l'informatique quantique signifie pour l'exploration de données. Presse universitaire, 2014. 10.1016/​C2013-0-19170-2.
https:/​/​doi.org/​10.1016/​C2013-0-19170-2

Yuxiang Yang, Giulio Chiribella et Daniel Ebler. Compression quantique efficace pour des ensembles d'états mixtes préparés de manière identique. Lettres d'examen physique, 116 (8) : 080501, 2016a. 10.1103/​PhysRevLett.116.080501.
https: / / doi.org/ 10.1103 / PhysRevLett.116.080501

Yuxiang Yang, Giulio Chiribella et Masahito Hayashi. Compression optimale pour des états de qubit préparés de manière identique. Phys. Rev. Lett., 117 : 090502, août 2016b. 10.1103/​PhysRevLett.117.090502.
https: / / doi.org/ 10.1103 / PhysRevLett.117.090502

Yuxiang Yang, Ge Bai, Giulio Chiribella et Masahito Hayashi. Compression pour le codage de population quantique. Transactions IEEE sur la théorie de l'information, 64 (7): 4766–4783, 2018a. 10.1109/​TIT.2017.2788407.
https: / / doi.org/ 10.1109 / TIT.2017.2788407

Yuxiang Yang, Giulio Chiribella et Masahito Hayashi. Chronomètre quantique : comment stocker le temps dans une mémoire quantique. Actes de la 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

Cité par

[1] Ahmet Burak Catli et Nathan Wiebe, "Formation de réseaux de neurones quantiques à l'aide de la méthode Quantum Information Bottleneck", arXiv: 2212.02600, (2022).

[2] Yuxuan Du, Yibo Yang, Dacheng Tao et Min-Hsiu Hsieh, "Démystifier la puissance dépendante des problèmes des réseaux de neurones quantiques sur la classification multi-classes", arXiv: 2301.01597, (2022).

Les citations ci-dessus proviennent de SAO / NASA ADS (dernière mise à jour réussie 2023-03-02 17:03:40). La liste peut être incomplète car tous les éditeurs ne fournissent pas de données de citation appropriées et complètes.

Impossible de récupérer Données de référence croisée lors de la dernière tentative 2023-03-02 17:03:39: Impossible de récupérer les données citées par 10.22331 / q-2023-03-02-936 de Crossref. C'est normal si le DOI a été enregistré récemment.

Cet article est publié dans Quantum sous le Creative Commons Attribution 4.0 International (CC BY 4.0) Licence. Le droit d'auteur reste la propriété des détenteurs d'origine tels que les auteurs ou leurs institutions.

Horodatage:

Plus de Journal quantique