Apprendimento automatico quantistico ad alta dimensione con piccoli computer quantistici

Apprendimento automatico quantistico ad alta dimensione con piccoli computer quantistici

Timestamp: 9 agosto 2023 10:59
Apprendimento automatico quantistico ad alta dimensionalità con piccoli computer quantistici PlatoBlockchain Data Intelligence. Ricerca verticale. Ai.

Simon C. Marshall, Casper Gyurik e Vedran Dunjko

Università di Leiden, Leiden, Paesi Bassi

Trovi questo documento interessante o vuoi discuterne? Scrivi o lascia un commento su SciRate.

Astratto

I computer quantistici sono molto promettenti per migliorare l’apprendimento automatico, ma il loro attuale numero di qubit limita la realizzazione di questa promessa. Per far fronte a questa limitazione la comunità ha prodotto una serie di tecniche per valutare circuiti quantistici di grandi dimensioni su dispositivi quantistici più piccoli. Queste tecniche funzionano valutando molti circuiti più piccoli sulla macchina più piccola, che vengono poi combinati in un polinomio per replicare l'output della macchina più grande. Questo schema richiede più valutazioni del circuito di quelle pratiche per i circuiti generali. Tuttavia, investigheremo la possibilità che per alcune applicazioni molti di questi sottocircuiti siano superflui e che una somma molto più piccola sia sufficiente per stimare l'intero circuito. Costruiamo un modello di apprendimento automatico che potrebbe essere in grado di approssimare gli output del circuito più grande con molte meno valutazioni del circuito. Applichiamo con successo il nostro modello al compito di riconoscimento delle cifre, utilizzando computer quantistici simulati molto più piccoli della dimensione dei dati. Il modello viene applicato anche al compito di approssimare un PQC casuale da 10 qubit con accesso simulato a un computer da 5 qubit, anche con un numero relativamente modesto di circuiti, il nostro modello fornisce un'approssimazione accurata dell'output PQC da 10 qubit, superiore a una rete neurale tentativo. Il metodo sviluppato potrebbe essere utile per implementare modelli quantistici su dati più grandi durante l’era NISQ.

► dati BibTeX

► Riferimenti

, J Avron, Ofer Casper e Ilan Rozen. Vantaggio quantistico e riduzione del rumore nel calcolo quantistico distribuito. Revisione fisica A, 104 (5): 052404, 2021. 10.1103/​PhysRevA.104.052404.
https: / / doi.org/ 10.1103 / PhysRevA.104.052404

, S Balakrishnan e R Sankaranarayanan. Decomposizione operatore-schmidt e bordi geometrici di porte a due qubit. Elaborazione delle informazioni quantistiche, 10 (4): 449–461, 2011. 10.1007/​s11128-010-0207-9.
https:/​/​doi.org/​10.1007/​s11128-010-0207-9

, Peter L Bartlett e Shahar Mendelson. Complessità di Rademacher e gaussiana: limiti di rischio e risultati strutturali. Journal of Machine Learning Research, 3 (novembre): 463–482, 2002. 10.1007/​3-540-44581-1_15.
https:/​/​doi.org/​10.1007/​3-540-44581-1_15

, Saikat Basu, Amit Saha, Amlan Chakrabarti e Susmita Sur-Kolay. $ i $-qer: un approccio intelligente alla riduzione dell'errore quantistico. arXiv prestampa arXiv:2110.06347, 2021. 10.1145/​3539613.
https: / / doi.org/ 10.1145 / 3539613 mila
arXiv: 2110.06347

, Marvin Bechtold. Portare i concetti di virtualizzazione al calcolo quantistico basato su gate. Tesi di master, Università di Stoccarda, 2021.

, Sergey Bravyi, Graeme Smith e John A Smolin. Scambio di risorse computazionali classiche e quantistiche. Physical Review X, 6 (2): 021043, 2016. 10.1103/​PhysRevX.6.021043.
https: / / doi.org/ 10.1103 / PhysRevX.6.021043

, Matthias C Caro, Elies Gil-Fuster, Johannes Jakob Meyer, Jens Eisert e Ryan Sweke. Limiti di generalizzazione dipendenti dalla codifica per circuiti quantistici parametrizzati. prestampa di arXiv arXiv:2106.03880, 2021. 10.22331/​q-2021-11-17-582.
https:/​/​doi.org/​10.22331/​q-2021-11-17-582
arXiv: 2106.03880

, Gavin E Crooks. Gradienti di porte quantistiche parametrizzate utilizzando la regola di spostamento dei parametri e la decomposizione delle porte. prestampa di arXiv arXiv:1905.13311, 2019. 10.48550/​arXiv.1905.13311.
https://​/​doi.org/​10.48550/​arXiv.1905.13311
arXiv: 1905.13311

, Li Deng. Il database mnist di immagini di cifre scritte a mano per la ricerca sull'apprendimento automatico. Rivista IEEE Signal Processing, 29 (6): 141–142, 2012. 10.1109/​MSP.2012.2211477.
https: / / doi.org/ 10.1109 / MSP.2012.2211477

, Edward Farhi e Hartmut Neven. Classificazione con reti neurali quantistiche su processori a breve termine. prestampa di arXiv arXiv:1802.06002, 2018. 10.48550/​arXiv.1802.06002.
https://​/​doi.org/​10.48550/​arXiv.1802.06002
arXiv: 1802.06002

, Keisuke Fujii, Kaoru Mizuta, Hiroshi Ueda, Kosuke Mitarai, Wataru Mizukami e Yuya O Nakagawa. Autorisolvitore quantistico variazionale profondo: un metodo divide et impera per risolvere un problema più ampio con computer quantistici di dimensioni più piccole. PRX Quantum, 3 (1): 010346, 2022. 10.1103/​PRXQuantum.3.010346.
https: / / doi.org/ 10.1103 / PRXQuantum.3.010346

, Francisco Javier Gil Vidal e Dirk Oliver Theis. Ridondanza di ingresso per circuiti quantistici parametrizzati. Frontiers in Physics, 8: 297, 2020. 10.48550/​arXiv.1901.11434.
https://​/​doi.org/​10.48550/​arXiv.1901.11434

, Tobias Haug, Chris N Self e MS Kim. Apprendimento automatico quantistico di set di dati di grandi dimensioni utilizzando misurazioni randomizzate. Machine Learning: Science and Technology, 4 (1): 015005, gennaio 2023. 10.1088/​2632-2153/​acb0b4.
https:/​/​doi.org/​10.1088/​2632-2153/​acb0b4

, Vojtěch Havlíček, Antonio D Córcoles, Kristan Temme, Aram W Harrow, Abhinav Kandala, Jerry M Chow e Jay M Gambetta. Apprendimento supervisionato con spazi di funzionalità potenziati dal quantum. Nature, 567 (7747): 209–212, 2019. 10.1038 / s41586-019-0980-2.
https:/​/​doi.org/​10.1038/​s41586-019-0980-2

, Hsin-Yuan Huang, Michael Broughton, Masoud Mohseni, Ryan Babbush, Sergio Boixo, Hartmut Neven e Jarrod R. McClean. Potenza dei dati nell’apprendimento automatico quantistico. Nature Communications, 12 (1), maggio 2021. ISSN 2041-1723. 10.1038/​s41467-021-22539-9. URL http://​/​dx.doi.org/​10.1038/​s41467-021-22539-9.
https:/​/​doi.org/​10.1038/​s41467-021-22539-9

, Sofiene Jerbi, Casper Gyurik, Simon Marshall, Hans J Briegel e Vedran Dunjko. Politiche quantistiche variazionali per l'apprendimento per rinforzo. arXiv prestampa arXiv:2103.05577, 2021. 10.48550/​arXiv.2103.05577.
https://​/​doi.org/​10.48550/​arXiv.2103.05577
arXiv: 2103.05577

, js21 (https://​/​mathoverflow.net/​users/​21724/​js21). Prodotto delle stime dei valori medi – concentrazione della disuguaglianza di misura. MathOverflow. URL https://​/​mathoverflow.net/​q/​286787. URL: https://​/​mathoverflow.net/​q/​286787 (versione: 2017-11-23).
https: / / mathoverflow.net/ q / 286787

, Abhinav Kandala, Antonio Mezzacapo, Kristan Temme, Maika Takita, Markus Brink, Jerry M Chow e Jay M Gambetta. Autorisolvitore quantistico variazionale efficiente in termini di hardware per piccole molecole e magneti quantistici. Natura, 549 (7671): 242–246, 2017. 10.1038/​nature23879.
https: / / doi.org/ 10.1038 / nature23879

, Weikang Li, Sirui Lu e Dong-Ling Deng. Apprendimento federato quantistico attraverso il calcolo quantistico cieco. Science China Physics, Mechanics & Astronomy, 64 (10): 1–8, 2021. 10.1007/​s11433-021-1753-3.
https:/​/​doi.org/​10.1007/​s11433-021-1753-3

, Jin-Guo Liu e Lei Wang. Apprendimento differenziabile di macchine nate da circuiti quantistici. Physical Review A, 98 (6): 062324, 2018. 10.1103/​PhysRevA.98.062324.
https: / / doi.org/ 10.1103 / PhysRevA.98.062324

, Jarrod R McClean, Sergio Boixo, Vadim N Smelyanskiy, Ryan Babbush e Hartmut Neven. Altopiani sterili nei paesaggi di addestramento delle reti neurali quantistiche. Comunicazioni sulla natura, 9 (1): 1–6, 2018. 10.1038/​s41467-018-07090-4.
https:/​/​doi.org/​10.1038/​s41467-018-07090-4

, Kosuke Mitarai e Keisuke Fujii. Costruire una porta virtuale a due qubit campionando operazioni a singolo qubit. Nuovo giornale di fisica, 23 (2): 023021, 2021a. 10.1088/​1367-2630/​abd7bc.
https: / / doi.org/ 10.1088 / 1367-2630 / abd7bc

, Kosuke Mitarai e Keisuke Fujii. Spese generali per la simulazione di un canale non locale con canali locali mediante campionamento quasiprobabile. Quantistica, 5: 388, 2021b. 10.22331/​q-2021-01-28-388.
https:/​/​doi.org/​10.22331/​q-2021-01-28-388

, Mehryar Mohri, Afshin Rostamizadeh e Ameet Talwalkar. Fondamenti dell'apprendimento automatico. Stampa del MIT, 2018. 10.1007/​s00362-019-01124-9.
https:/​/​doi.org/​10.1007/​s00362-019-01124-9

, Tianyi Peng, Aram W Harrow, Maris Ozols e Xiaodi Wu. Simulazione di grandi circuiti quantistici su un piccolo computer quantistico. Physical Review Letters, 125 (15): 150504, 2020. 10.1103/​PhysRevLett.125.150504.
https: / / doi.org/ 10.1103 / PhysRevLett.125.150504

, Michael A Perlin, Zain H Saleem, Martin Suchara e James C Osborn. Taglio di circuiti quantistici con tomografia di massima verosimiglianza. npj Quantum Information, 7 (1): 1–8, 2021. 10.1038/​s41534-021-00390-6.
https:/​/​doi.org/​10.1038/​s41534-021-00390-6

, Evan Peters, João Caldeira, Alan Ho, Stefan Leichenauer, Masoud Mohseni, Hartmut Neven, Panagiotis Spentzouris, Doug Strain e Gabriel N Perdue. Apprendimento automatico di dati ad alta dimensionalità su un processore quantistico rumoroso. npj Quantum Information, 7 (1): 1–5, 2021. 10.48550/​arXiv.2101.09581.
https://​/​doi.org/​10.48550/​arXiv.2101.09581

, John Preskill. L'informatica quantistica nell'era nisq e oltre. Quantum, 2: 79, 2018. 10.22331 / q-2018-08-06-79.
https:/​/​doi.org/​10.22331/​q-2018-08-06-79

, Stefan H Sack, Raimel A Medina, Alexios A Michailidis, Richard Kueng e Maksym Serbyn. Evitando gli altipiani sterili utilizzando le ombre classiche. prestampa arXiv arXiv:2201.08194, 2022. 10.1103/​PRXQuantum.3.020365.
https: / / doi.org/ 10.1103 / PRXQuantum.3.020365
arXiv: 2201.08194

, Zain H Saleem, Teague Tomesh, Michael A Perlin, Pranav Gokhale e Martin Suchara. Divide et impera quantistici per l'ottimizzazione combinatoria e il calcolo distribuito. prestampa arXiv arXiv:2107.07532, 2021. 10.48550/​arXiv.2107.07532.
https://​/​doi.org/​10.48550/​arXiv.2107.07532
arXiv: 2107.07532

, Maria Schuld e Nathan Killoran. Apprendimento automatico quantistico negli spazi di Hilbert. Lettere di revisione fisica, 122 (4): 040504, 2019. 10.1103/​PhysRevLett.122.040504.
https: / / doi.org/ 10.1103 / PhysRevLett.122.040504

, Maria Schuld, Ryan Sweke e Johannes Jakob Meyer. Effetto della codifica dei dati sul potere espressivo dei modelli variazionali di apprendimento automatico quantistico. Revisione fisica A, 103 (3): 032430, 2021. 10.1103/​PhysRevA.103.032430.
https: / / doi.org/ 10.1103 / PhysRevA.103.032430

, Wei Tang, Teague Tomesh, Martin Suchara, Jeffrey Larson e Margaret Martonosi. Cutqc: utilizzo di piccoli computer quantistici per valutazioni di circuiti quantistici di grandi dimensioni. In Atti della 26a conferenza internazionale ACM sul supporto architetturale per linguaggi di programmazione e sistemi operativi, pagine 473–486, 2021. 10.1145/​3445814.3446758.
https: / / doi.org/ 10.1145 / 3445814.3446758 mila

, Stephen J. Wright. Algoritmi di discesa delle coordinate. Programmazione matematica, 151 (1): 3–34, 2015. 10.48550/​arXiv.1502.04759.
https://​/​doi.org/​10.48550/​arXiv.1502.04759

, LeCun Yann. Se ascolti attentamente, puoi sentire la capra urlare "Risultati MNIST!" Ma il tizio non ascolta attentamente. Twitter, 2022.
https://​/​twitter.com/​ylecu/​status/​1481327585640521728

, Xiao Yuan, Jinzhao Sun, Junyu Liu, Qi Zhao e You Zhou. Simulazione quantistica con reti tensoriali ibride. Physical Review Letters, 127 (4): 040501, 2021. 10.1103/​PhysRevLett.127.040501.
https: / / doi.org/ 10.1103 / PhysRevLett.127.040501

Citato da

[1] Arsenii Senokosov, Alexander Sedykh, Asel Sagingalieva e Alexey Melnikov, "Apprendimento automatico quantistico per la classificazione delle immagini", arXiv: 2304.09224, (2023).

[2] Christian Ufrecht, Maniraman Periyasamy, Sebastian Rietsch, Daniel D. Scherer, Axel Plinge e Christopher Mutschler, "Tagliare le porte quantistiche multicontrollo con il calcolo ZX", arXiv: 2302.00387, (2023).

[3] Angus Lowe, Matija Medvidović, Anthony Hayes, Lee J. O'Riordan, Thomas R. Bromley, Juan Miguel Arrazola e Nathan Killoran, "Taglio veloce di circuiti quantistici con misurazioni randomizzate", Quantico 7, 934 (2023).

[4] Lirandë Pira e Chris Ferrie, “Un invito alle reti neurali quantistiche distribuite”, arXiv: 2211.07056, (2022).

[5] L. Wright, F. Barratt, J. Dborin, V. Wimalaweera, B. Coyle e AG Green, "Classificatori di reti tensoriali deterministiche", arXiv: 2205.09768, (2022).

[6] Cenk Tüysüz, Giuseppe Clemente, Arianna Crippa, Tobias Hartung, Stefan Kühn e Karl Jansen, “Classical Splitting of Parametrized Quantum Circuits”, arXiv: 2206.09641, (2022).

[7] Patrick Huembeli, Giuseppe Carleo e Antonio Mezzacapo, “Entanglement Forging con modelli generativi di reti neurali”, arXiv: 2205.00933, (2022).

[8] Marvin Bechtold, Johanna Barzen, Frank Leymann, Alexander Mandl, Julian Obst, Felix Truger e Benjamin Weder, "Indagando l'effetto del taglio del circuito in QAOA per il problema MaxCut sui dispositivi NISQ", arXiv: 2302.01792, (2023).

[9] Adrián Pérez-Salinas, Radoica Draškić, Jordi Tura e Vedran Dunjko, "Reduce&chop: circuiti poco profondi per problemi più profondi", arXiv: 2212.11862, (2022).

[10] Tuhin Khare, Ritajit Majumdar, Rajiv Sangle, Anupama Ray, Padmanabha Venkatagiri Seshadri e Yogesh Simmhan, "Parallelizzazione dei carichi di lavoro quantistici-classici: profilazione dell'impatto delle tecniche di divisione", arXiv: 2305.06585, (2023).

[11] Ryo Nagai, Shu Kanno, Yuki Sato e Naoki Yamamoto, "Decomposizione dei canali quantistici con pre e post-selezione", arXiv: 2305.11642, (2023).

[12] Charles Moussa, Jan N. van Rijn, Thomas Bäck e Vedran Dunjko, "Importanza degli iperparametri delle reti neurali quantistiche attraverso piccoli set di dati", arXiv: 2206.09992, (2022).

[13] Michele Cattelan e Sheir Yarkoni, "Implementazione di circuiti paralleli di algoritmi quantistici variazionali", arXiv: 2304.03037, (2023).

Le citazioni sopra sono di ANNUNCI SAO / NASA (ultimo aggiornamento riuscito 2023-08-10 03:13:01). L'elenco potrebbe essere incompleto poiché non tutti gli editori forniscono dati di citazione adeguati e completi.

On Il servizio citato da Crossref non sono stati trovati dati su citazioni (ultimo tentativo 2023-08-10 03:12:54).

Questo documento è pubblicato in Quantum sotto il Creative Commons Attribuzione 4.0 Internazionale (CC BY 4.0) licenza. Il copyright rimane dei detentori del copyright originali come gli autori o le loro istituzioni.

Timestamp:

Di più da Diario quantistico