1QC Ware, Palo Alto, USA és Párizs, Franciaország
2IRIF, CNRS – Párizsi Egyetem, Franciaország
3Indian Institute of Technology Roorkee, India
4F. Hoffmann La Roche AG
Érdekesnek találja ezt a cikket, vagy szeretne megvitatni? Scite vagy hagyjon megjegyzést a SciRate-en.
Absztrakt
A kvantumgépi tanulási technikákat javasolták a gépi tanulási alkalmazások teljesítményének potenciális javítására.
Ebben a cikkben két új kvantummódszert mutatunk be neurális hálózatokhoz. Az első egy kvantum-ortogonális neurális hálózat, amely egy kvantumpiramisáramkörre épül, mint az ortogonális mátrixszorzás megvalósításának építőelemére. Hatékony módszert biztosítunk az ilyen ortogonális neurális hálózatok képzésére; Az új algoritmusok mind a klasszikus, mind a kvantum hardverhez részletezve vannak, ahol mindkettő aszimptotikusan jobban skálázható, mint a korábban ismert tanító algoritmusok.
A második módszer a kvantum-asszisztált neurális hálózatok, ahol egy kvantumszámítógép belső szorzatbecslést végez a klasszikus neurális hálózatok következtetéséhez és betanításához.
Ezt követően kiterjedt kísérleteket mutatunk be az orvosi képosztályozási feladatokban a legkorszerűbb kvantumhardver segítségével, ahol összehasonlítjuk a különböző kvantummódszereket a klasszikusokkal, valódi kvantumhardveren és szimulátorokon egyaránt. Eredményeink azt mutatják, hogy a kvantum és a klasszikus neurális hálózatok hasonló szintű pontosságot generálnak, alátámasztva azt az ígéretet, hogy a kvantum módszerek hasznosak lehetnek a vizuális feladatok megoldásában, tekintettel a jobb kvantumhardver megjelenésére.
► BibTeX adatok
► Referenciák
[1] Aram W Harrow, Avinatan Hassidim és Seth Lloyd. „Kvantumalgoritmus lineáris egyenletrendszerekhez”. Physical Review Letters 103, 150502 (2009).
https:///doi.org/10.1103/PhysRevLett.103.150502
[2] Seth Lloyd, Masoud Mohseni és Patrick Rebentrost. „Kvantumalgoritmusok felügyelt és felügyelt gépi tanuláshoz” (2013).
[3] Seth Lloyd, Masoud Mohseni és Patrick Rebentrost. „Kvantumfőkomponens-elemzés”. Nature Physics 10, 631–633 (2014).
https:///doi.org/10.1038/nphys3029
[4] Iordanis Kerenidis és Anupam Prakash. „Kvantum-ajánló rendszerek”. 8. 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] Iordanis Kerenidis, Jonas Landman, Alessandro Luongo és Anupam Prakash. „q-means: Kvantum algoritmus a felügyelt gépi tanuláshoz”. In Advances in Neural Information Processing Systems 32. 4136–4146. oldal. Curran Associates, Inc. (2019). url:.
arXiv: 1812.03584
[6] Seth Lloyd, Silvano Garnerone és Paolo Zanardi. „Kvantumalgoritmusok az adatok topológiai és geometriai elemzéséhez”. Nature Communications 7, 1–7 (2016). url: doi.org/10.1038/ncomms10138.
https:///doi.org/10.1038/ncomms10138
[7] Edward Farhi és Hartmut Neven. „Osztályozás kvantumneurális hálózatokkal rövid távú processzorokon” (2018). url: doi.org/10.48550/arXiv.1802.06002.
https:///doi.org/10.48550/arXiv.1802.06002
[8] I Kerenidis, J Landman és A Prakash. „Kvantum algoritmusok mélykonvolúciós neurális hálózatokhoz”. NYOLCADIK NEMZETKÖZI KONFERENCIA A TANULÁSI REPREZENTÁCIÓRÓL ICLR (2019).
https:///doi.org/10.48550/arXiv.1911.01117
[9] J Allcock, CY Hsieh, I Kerenidis és S Zhang. „Kvantum algoritmusok előrecsatolt neurális hálózatokhoz”. ACM Transactions on Quantum Computing 1 (1), 1-24 (2020).
https:///doi.org/10.1145/3411466
[10] Iris Cong, Soonwon Choi és Mikhail D. Lukin. „Kvantumkonvolúciós neurális hálózatok”. Természetfizika 15 (2019).
https://doi.org/10.1038/s41567-019-0648-8
[11] Hector Ivan Garcıa-Hernandez, Raymundo Torres-Ruiz és Guo-Hua Sun. „Képosztályozás kvantumgépi tanulással” (2020). url: doi.org/10.48550/arXiv.2011.02831.
https:///doi.org/10.48550/arXiv.2011.02831
[12] Saurabh Kumar, Siddharth Dangwal és Debanjan Bhowmik. „Felügyelt tanulás öltözött kvantumhálózat használatával „szupertömörített kódolással”: Algoritmus és kvantumhardver alapú megvalósítás” (2020). url: doi.org/10.48550/arXiv.2007.10242.
https:///doi.org/10.48550/arXiv.2007.10242
[13] Kouhei Nakaji és Naoki Yamamoto. „Kvantum-félig felügyelt generatív ellenséges hálózat a továbbfejlesztett adatosztályozás érdekében” (2020). url: doi.org/10.1038/s41598-021-98933-6.
https://doi.org/10.1038/s41598-021-98933-6
[14] William Cappelletti, Rebecca Erbanni és Joaquín Keller. „Poliádikus kvantumosztályozó” (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 és Jay M. Gambetta. „Felügyelt tanulás kvantumbővített jellemzőterekkel” (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 és Simone Severini. „Hierarchikus kvantumosztályozók” (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 és Seth Lloyd. „Kvantumorvosi képalkotó algoritmusok” (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 és mások. „Variációs kvantum algoritmusok” (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 és mások. „Zajos, közepes léptékű kvantumalgoritmusok”. 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 és Paula Brito. „Sokkal túl a klasszikus adatmodelleken: szimbolikus adatelemzés”. Statisztikai elemzés és adatbányászat: az 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 és José I Latorre. „Adatok újrafeltöltése egy univerzális kvantumosztályozóhoz”. 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 és Keisuke Fujii. „Kvantumkör tanulás”. Fizikai Szemle A 98, 032309 (2018).
https:///doi.org/10.1103/PhysRevA.98.032309
[23] Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac és Nathan Killoran. „Analitikai gradiensek kiértékelése kvantumhardveren”. Physical Review A 99, 032331 (2019).
https:///doi.org/10.1103/PhysRevA.99.032331
[24] Maria Schuld és Francesco Petruccione. „Kvantummodellek, mint kernel módszerek”. In Machine Learning with Quantum Computers. 217–245. oldal. Springer (2021).
[25] Maria Schuld, Ryan Sweke és Johannes Jakob Meyer. „Az adatkódolás hatása a variációs kvantum-gépi tanulási modellek kifejező erejére”. Physical Review A 103, 032430 (2021).
https:///doi.org/10.1103/PhysRevA.103.032430
[26] Iris Cong, Soonwon Choi és Mikhail D Lukin. „Kvantumkonvolúciós neurális hálózatok”. Nature Physics 15, 1273–1278 (2019).
[27] Jarrod R McClean, Sergio Boixo, Vadim N Smelyanskiy, Ryan Babbush és Hartmut Neven. „Kivár fennsíkok kvantum-neurális hálózatok képzési tájain”. Nature Communications 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 és Nathan Wiebe. „Az összefonódás okozta terméketlen fennsíkok”. 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 és Patrick J Coles. „Költségfüggvénytől függő kopár platók sekély parametrizált kvantumáramkörökben”. 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 és Patrick J Coles. „A disszipatív perceptron alapú kvantumneurális hálózatok taníthatósága”. 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 és I Kerenidis. „Legközelebbi centroid osztályozás egy csapdába esett ion kvantumszámítógépen” (2021).
[32] Kui Jia, Shuai Li, Yuxin Wen, Tongliang Liu és Dacheng Tao. „Ortogonális mély neurális hálózatok”. IEEE-tranzakciók a mintaelemzésről és a gépi intelligenciáról (2019).
https:///doi.org/10.1109/TPAMI.2019.2948352
[33] Jiayun Wang, Yubei Chen, Rudrasis Chakraborty és Stella X Yu. „Ortogonális konvolúciós neurális hálózatok”. A számítógépes látásról és mintafelismerésről szóló IEEE/CVF konferencia anyagában. 11505–11515. oldal. (2020).
https:///doi.org/10.1109/CVPR42600.2020.01152
[34] Nitin Bansal, Xiaohan Chen és Zhangyang Wang. „Többet nyerhetünk-e az ortogonalitás-regulációkkal a mély hálózatok képzésében?”. Fejlődés a neurális információfeldolgozó rendszerekben 31 (2018).
https:///doi.org/10.5555/3327144.3327339
[35] Xiaohua Zhai, Alexander Kolesnikov, Neil Houlsby és Lucas Beyer. „Scaling vision transzformátorok” (2021).
[36] Iordanis Kerenidis és Anupam Prakash. „Kvantumgépi tanulás altér állapotokkal” (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 és José I. Latorre. „Az opcióárazás kvantum unáris megközelítése” (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 és Yunseong Nam. „Hatékony, tetszőleges, egyidejűleg összefonódó kapuk csapdába esett kvantumszámítógépen”. Nat Commun, 11 (2020).
https://doi.org/10.1038/s41467-020-16790-9
[39] Alexander Zlokapa, Hartmut Neven és Seth Lloyd. „Kvantum algoritmus széles és mély klasszikus neurális hálózatok betanításához” (2021). url: doi.org/10.48550/arXiv.2107.09200.
https:///doi.org/10.48550/arXiv.2107.09200
[40] Mario Lezcano-Casado és David Martınez-Rubio. "Olcsó ortogonális megszorítások neurális hálózatokban: Az ortogonális és egységes csoport egyszerű paraméterezése". Nemzetközi Gépi Tanulási Konferencián. 3794–3803. oldal. 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 és Shimon Schocken. „A nem polinomiális aktiválófüggvénnyel rendelkező többrétegű előrecsatolt hálózatok bármilyen függvényt megközelíthetnek”. Neurális hálózatok 6, 861-867 (1993).
https://doi.org/10.1016/S0893-6080(05)80131-5
[42] Robert Hecht-Nielsen. „A visszaterjedési neurális hálózat elmélete”. In Neurális hálózatok az észleléshez. 65–93. oldal. Elsevier (1992).
https:///doi.org/10.1109/IJCNN.1989.118638
[43] Raul Rojas. „A visszaszaporítási algoritmus”. Neurális hálózatokban. 149–182. oldal. Springer (1996).
https://doi.org/10.1007/978-3-642-61068-4_7
[44] Jiancheng Yang, Rui Shi és Bingbing Ni. „Medmnist besorolású decathlon: Egy könnyű automl benchmark az orvosi képelemzéshez” (2020).
https:///doi.org/10.1109/ISBI48211.2021.9434062
[45] Daniel S. Kermany, Michael Goldbaum és mtsai. „Az orvosi diagnózisok és a kezelhető betegségek azonosítása képalapú mély tanulással”. Cell, vol. 172. sz. 5, 1122 – 1131.e9, (2018).
https:///doi.org/10.1016/j.cell.2018.02.010
[46] Ping Zhang és Bin Sheng. „Deepdr diabéteszes retinopátia képadatkészlet (deepdrid), „a 2. diabéteszes retinopátia – osztályozási és képminőség-becslési kihívás””. https:///isbi.deepdr.org/data.html (2020).
https:///isbi.deepdr.org/data.html~
[47] Hyeonwoo Noh, Tackgeun You, Jonghwan Mun és Bohyung Han. „Mély neurális hálózatok zaj általi szabályozása: értelmezése és optimalizálása”. NeurIPS (2017).
https:///doi.org/10.5555/3295222.3295264
[48] Xue Ying. „Áttekintés a túlillesztésről és megoldásairól”. In Journal of physics: Konferencia sorozat. 1168. kötet, 022022. oldal. IOP Publishing (2019).
https://doi.org/10.1088/1742-6596/1168/2/022022
[49] El Amine Cherrat, Iordanis Kerenidis, Natansh Mathur, Jonas Landman, Martin Strahm és Yun Yvonna Li. „Kvantumlátó transzformátorok” (2022).
[50] Scott Aaronson. „Olvassa el az apró betűs részt”. Nature Physics 11, 291–293 (2015).
https:///doi.org/10.1038/nphys3272
[51] Michael A. Nielsen. „Neurális hálózatok és mély tanulás”. Determination Press (2015).
Idézi
Ez a tanulmány a Quantumban jelent meg Creative Commons Nevezd meg 4.0 International (CC BY 4.0) engedély. A szerzői jog az eredeti szerzői jog tulajdonosainál marad, például a szerzőknél vagy intézményeiknél.
