1QC Ware, Palo Alto, États-Unis et Paris, France
2IRIF, CNRS – Université de Paris, France
3Institut indien de technologie de Roorkee, Inde
4F. Hoffmann La Roche SA
Vous trouvez cet article intéressant ou souhaitez en discuter? Scite ou laisse un commentaire sur SciRate.
Abstract
Les techniques d'apprentissage automatique quantique ont été proposées comme un moyen d'améliorer potentiellement les performances des applications d'apprentissage automatique.
Dans cet article, nous introduisons deux nouvelles méthodes quantiques pour les réseaux de neurones. Le premier est un réseau neuronal orthogonal quantique, qui est basé sur un circuit pyramidal quantique comme élément de base pour la mise en œuvre de la multiplication matricielle orthogonale. Nous fournissons un moyen efficace pour former de tels réseaux de neurones orthogonaux ; de nouveaux algorithmes sont détaillés pour le matériel classique et quantique, où il est prouvé que les deux s'adaptent asymptotiquement mieux que les algorithmes de formation connus auparavant.
La deuxième méthode est celle des réseaux de neurones assistés par quantique, où un ordinateur quantique est utilisé pour effectuer une estimation du produit interne pour l'inférence et la formation des réseaux de neurones classiques.
Nous présentons ensuite des expériences approfondies appliquées à des tâches de classification d'images médicales à l'aide de matériel quantique de pointe, où nous comparons différentes méthodes quantiques avec des méthodes classiques, à la fois sur du matériel quantique réel et sur des simulateurs. Nos résultats montrent que les réseaux de neurones quantiques et classiques génèrent un niveau de précision similaire, confirmant la promesse que les méthodes quantiques peuvent être utiles pour résoudre des tâches visuelles, compte tenu de l'avènement d'un meilleur matériel quantique.
► Données BibTeX
► Références
Aram W Harrow, Avinatan Hassidim et Seth Lloyd. "Algorithme quantique pour les systèmes linéaires d'équations". Lettres d'examen physique 103, 150502 (2009).
https: / / doi.org/ 10.1103 / PhysRevLett.103.150502
Seth Lloyd, Masoud Mohseni et Patrick Rebentrost. "Algorithmes quantiques pour l'apprentissage automatique supervisé et non supervisé" (2013).
Seth Lloyd, Masoud Mohseni et Patrick Rebentrost. "Analyse en composantes principales quantiques". Nature Physique 10, 631–633 (2014).
https: / / doi.org/ 10.1038 / nphys3029
Iordanis Kerenidis et Anupam Prakash. "Systèmes de recommandation quantique". 8e Conférence sur les innovations en informatique théorique (ITCS 2017) 67, 49: 1–49: 21 (2017). URL : doi.org/10.48550/arXiv.1603.08675.
https:///doi.org/10.48550/arXiv.1603.08675
Iordanis Kerenidis, Jonas Landman, Alessandro Luongo et Anupam Prakash. "q-means : un algorithme quantique pour l'apprentissage automatique non supervisé". Dans Advances in Neural Information Processing Systems 32. Pages 4136–4146. Curran Associates, Inc. (2019). URL :.
arXiv: 1812.03584
Seth Lloyd, Silvano Garnerone et Paolo Zanardi. « Algorithmes quantiques pour l'analyse topologique et géométrique des données ». Communications naturelles 7, 1–7 (2016). URL : doi.org/10.1038/ncomms10138.
https: / / doi.org/ 10.1038 / ncomms10138
Edward Farhi et Hartmut Neven. "Classification avec des réseaux de neurones quantiques sur des processeurs à court terme" (2018). URL : doi.org/10.48550/arXiv.1802.06002.
https:///doi.org/10.48550/arXiv.1802.06002
I Kerenidis, J Landman et A Prakash. "Algorithmes quantiques pour les réseaux de neurones à convolution profonde". HUITIÈME CONFÉRENCE INTERNATIONALE SUR LES REPRÉSENTATIONS D'APPRENTISSAGE ICLR (2019).
https:///doi.org/10.48550/arXiv.1911.01117
J Allcock, CY Hsieh, I Kerenidis et S Zhang. "Algorithmes quantiques pour les réseaux de neurones feedforward". Transactions ACM sur l'informatique quantique 1 (1), 1-24 (2020).
https: / / doi.org/ 10.1145 / 3411466
Iris Cong, Soonwon Choi et Mikhail D. Lukin. "Réseaux de neurones convolutifs quantiques". Nature Physique 15 (2019).
https://doi.org/10.1038/s41567-019-0648-8
Hector Ivan Garcia-Hernandez, Raymundo Torres-Ruiz et Guo-Hua Sun. "Classification d'images via l'apprentissage automatique quantique" (2020). URL : doi.org/10.48550/arXiv.2011.02831.
https:///doi.org/10.48550/arXiv.2011.02831
Saurabh Kumar, Siddharth Dangwal et Debanjan Bhowmik. "Apprentissage supervisé à l'aide d'un réseau quantique habillé avec" encodage super compressé ": algorithme et implémentation basée sur le matériel quantique" (2020). URL : doi.org/10.48550/arXiv.2007.10242.
https:///doi.org/10.48550/arXiv.2007.10242
Kouhei Nakaji et Naoki Yamamoto. "Réseau contradictoire génératif semi-supervisé quantique pour une classification améliorée des données" (2020). URL : doi.org/10.1038/s41598-021-98933-6.
https://doi.org/10.1038/s41598-021-98933-6
William Cappelletti, Rebecca Erbanni et Joaquín Keller. "Classificateur quantique polyadique" (2020). URL : doi.org/10.48550/arXiv.2007.14044.
https:///doi.org/10.48550/arXiv.2007.14044
Vojtech Havlicek, 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" (2018). URL : doi.org/10.1038/s41586-019-0980-2.
https://doi.org/10.1038/s41586-019-0980-2
Edward Grant, Marcello Benedetti, Shuxiang Cao, Andrew Hallam, Joshua Lockhart, Vid Stojevic, Andrew G. Green et Simone Severini. "Classificateurs quantiques hiérarchiques" (2018). URL : doi.org/10.1038/s41534-018-0116-9.
https://doi.org/10.1038/s41534-018-0116-9
Bobak Toussi Kiani, Agnès Villanyi et Seth Lloyd. « Algorithmes d'imagerie médicale quantique » (2020). URL : doi.org/10.48550/arXiv.2004.02036.
https:///doi.org/10.48550/arXiv.2004.02036
Marco Cerezo, Andrew Arrasmith, Ryan Babbush, Simon C Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R McClean, Kosuke Mitarai, Xiao Yuan, Lukasz Cincio, et al. « Algorithmes quantiques variationnels » (2020). URL : doi.org/10.1038/s42254-021-00348-9.
https://doi.org/10.1038/s42254-021-00348-9
Kishor Bharti, Alba Cervera-Lierta, Thi Ha Kyaw, Tobias Haug, Sumner Alperin-Lea, Abhinav Anand, Matthias Degroote, Hermanni Heimonen, Jakob S Kottmann, Tim Menke, et al. "Algorithmes quantiques d'échelle intermédiaire bruités". Avis sur la physique moderne 94, 015004 (2022). URL : doi.org/10.1103/RevModPhys.94.015004.
https: / / doi.org/ 10.1103 / RevModPhys.94.015004
Monique Noirhomme-Fraiture et Paula Brito. « Bien au-delà des modèles de données classiques : l'analyse des données symboliques ». Analyse statistique et exploration de données : ASA Data Science Journal 4, 157–170 (2011). URL : doi.org/10.1002/sam.10112.
https:///doi.org/10.1002/sam.10112
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). URL : doi.org/10.22331/q-2020-02-06-226.
https://doi.org/10.22331/q-2020-02-06-226
Kosuke Mitarai, Makoto Negoro, Masahiro Kitagawa et Keisuke Fujii. "Apprentissage des circuits quantiques". Examen physique A 98, 032309 (2018).
https: / / doi.org/ 10.1103 / PhysRevA.98.032309
Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac et Nathan Killoran. "Évaluer les gradients analytiques sur le matériel quantique". Examen physique A 99, 032331 (2019).
https: / / doi.org/ 10.1103 / PhysRevA.99.032331
Maria Schuld et Francesco Petruccione. "Modèles quantiques comme méthodes du noyau". En apprentissage automatique avec des ordinateurs quantiques. Pages 217–245. Springer (2021).
Maria Schuld, Ryan Sweke et Johannes Jakob Meyer. "Effet de l'encodage des données sur le pouvoir expressif des modèles d'apprentissage quantique variationnel". Examen physique A 103, 032430 (2021).
https: / / doi.org/ 10.1103 / PhysRevA.103.032430
Iris Cong, Soonwon Choi et Mikhail D Lukin. "Réseaux de neurones convolutifs quantiques". Physique de la nature 15, 1273-1278 (2019).
Jarrod R McClean, Sergio Boixo, Vadim N Smelyanskiy, Ryan Babbush et Hartmut Neven. "Plateaux stériles dans les paysages d'entraînement des réseaux de neurones quantiques". Communications naturelles 9, 1–6 (2018). URL : doi.org/10.1038/s41467-018-07090-4.
https://doi.org/10.1038/s41467-018-07090-4
Carlos Ortiz Marrero, Mária Kieferová et Nathan Wiebe. "Plateaux stériles induits par l'enchevêtrement". PRX Quantique 2, 040316 (2021). URL : doi.org/10.1103/PRXQuantum.2.040316.
https: / / doi.org/ 10.1103 / PRXQuantum.2.040316
Marco Cerezo, Akira Sone, Tyler Volkoff, Lukasz Cincio et Patrick J Coles. "Plateaux stériles dépendant de la fonction de coût dans les circuits quantiques paramétrés peu profonds". Communications naturelles 12, 1–12 (2021). URL : doi.org/10.1038/s41467-021-21728-w.
https: / / doi.org/ 10.1038 / s41467-021-21728-w
Kunal Sharma, Marco Cerezo, Lukasz Cincio et Patrick J Coles. "Trainabilité des réseaux de neurones quantiques à base de perceptrons dissipatifs". Lettres d'examen physique 128, 180505 (2022). URL : doi.org/10.1103/PhysRevLett.128.180505.
https: / / doi.org/ 10.1103 / PhysRevLett.128.180505
S Johri, S Debnath, A Mocherla, A Singh, A Prakash, J Kim et I Kerenidis. "Classification du centroïde le plus proche sur un ordinateur quantique à ions piégés" (2021).
Kui Jia, Shuai Li, Yuxin Wen, Tongliang Liu et Dacheng Tao. « Réseaux de neurones profonds orthogonaux ». Transactions IEEE sur l'analyse de modèles et l'intelligence artificielle (2019).
https: / / doi.org/ 10.1109 / TPAMI.2019.2948352
Jiayun Wang, Yubei Chen, Rudrasis Chakraborty et Stella X Yu. "Réseaux de neurones convolutifs orthogonaux". Dans Actes de la conférence IEEE/CVF sur la vision par ordinateur et la reconnaissance de formes. Pages 11505–11515. (2020).
https:///doi.org/10.1109/CVPR42600.2020.01152
Nitin Bansal, Xiaohan Chen et Zhangyang Wang. "Pouvons-nous gagner plus des régularisations d'orthogonalité dans la formation des réseaux profonds ?". Avancées dans les systèmes de traitement de l'information neuronale 31 (2018).
https: / / doi.org/ 10.5555 / 3327144.3327339
Xiaohua Zhai, Alexander Kolesnikov, Neil Houlsby et Lucas Beyer. "Transformateurs de vision à l'échelle" (2021).
Iordanis Kerenidis et Anupam Prakash. "Apprentissage automatique quantique avec états subspatiaux" (2022). URL : doi.org/10.48550/arXiv.2202.00054.
https:///doi.org/10.48550/arXiv.2202.00054
Sergi Ramos-Calderer, Adrián Pérez-Salinas, Diego García-Martín, Carlos Bravo-Prieto, Jorge Cortada, Jordi Planagumà et José I. Latorre. "Approche unaire quantique de la tarification des options" (2019).
https: / / doi.org/ 10.1103 / PhysRevA.103.032414
Nikodem Grzesiak, Reinhold Blümel, Kenneth Wright, Kristin M. Beck, Neal C. Pisenti, Ming Li, Vandiver Chaplin, Jason M. Amini, Shantanu Debnath, Jwo-Sy Chen et Yunseong Nam. "Portes d'enchevêtrement arbitraires efficaces simultanément sur un ordinateur quantique à ions piégés". Nat Commun, 11 (2020).
https://doi.org/10.1038/s41467-020-16790-9
Alexander Zlokapa, Hartmut Neven et Seth Lloyd. "Un algorithme quantique pour la formation de réseaux de neurones classiques larges et profonds" (2021). URL : doi.org/10.48550/arXiv.2107.09200.
https:///doi.org/10.48550/arXiv.2107.09200
Mario Lezcano-Casado et David Martínez-Rubio. "Contraintes orthogonales bon marché dans les réseaux de neurones : une paramétrisation simple du groupe orthogonal et unitaire". Dans Conférence internationale sur l'apprentissage automatique. Pages 3794–3803. PMLR (2019). URL : doi.org/10.48550/arXiv.1901.08428.
https:///doi.org/10.48550/arXiv.1901.08428
Moshe Leshno, Vladimir Ya Lin, Allan Pinkus et Shimon Schocken. "Les réseaux multicouches à anticipation avec une fonction d'activation non polynomiale peuvent approximer n'importe quelle fonction". Réseaux neuronaux 6, 861–867 (1993).
https://doi.org/10.1016/S0893-6080(05)80131-5
Robert Hecht-Nielsen. « Théorie du réseau de neurones de rétropropagation ». Dans Réseaux de neurones pour la perception. Pages 65–93. Elsevier (1992).
https:///doi.org/10.1109/IJCNN.1989.118638
Raul Rojas. "L'algorithme de rétropropagation". Dans les réseaux de neurones. Pages 149–182. Springer (1996).
https://doi.org/10.1007/978-3-642-61068-4_7
Jiancheng Yang, Rui Shi et Bingbing Ni. « Décathlon de classification Medmnist : Un benchmark automl léger pour l'analyse d'images médicales » (2020).
https:///doi.org/10.1109/ISBI48211.2021.9434062
Daniel S. Kermany, Michael Goldbaum et et al. "Identifier les diagnostics médicaux et les maladies traitables par apprentissage profond basé sur l'image". Cellule, vol. 172, non. 5, p. 1122 – 1131.e9, (2018).
https:///doi.org/10.1016/j.cell.2018.02.010
Ping Zhang et Bin Sheng. "Ensemble de données d'images de la rétinopathie diabétique Deepdr (deepdrid)," la 2ème rétinopathie diabétique - défi de classement et d'estimation de la qualité d'image "". https:///isbi.deepdr.org/data.html (2020).
https:///isbi.deepdr.org/data.html~
Hyeonwoo Noh, Tackgeun You, Jonghwan Mun et Bohyung Han. « Régularisation des réseaux de neurones profonds par le bruit : son interprétation et son optimisation ». NeurIPS (2017).
https: / / doi.org/ 10.5555 / 3295222.3295264
Xue Ying. « Un aperçu du surajustement et de ses solutions ». Dans Journal of physics: Conference series. Volume 1168, page 022022. Éditions IOP (2019).
https://doi.org/10.1088/1742-6596/1168/2/022022
El Amine Cherrat, Iordanis Kerenidis, Natansh Mathur, Jonas Landman, Martin Strahm et Yun Yvonna Li. "Transformateurs de vision quantique" (2022).
Scott Aaronson. "Lisez les petits caractères". Nature Physique 11, 291-293 (2015).
https: / / doi.org/ 10.1038 / nphys3272
Michael A. Nielsen. "Réseaux de neurones et apprentissage profond". Presse de détermination (2015).
Cité par
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.
