1QC Ware, Palo Alto, Stati Uniti e Parigi, Francia
2IRIF, CNRS – Università di Parigi, Francia
3Istituto indiano di tecnologia Roorkee, India
4F. Hoffman La Roche AG
Trovi questo documento interessante o vuoi discuterne? Scrivi o lascia un commento su SciRate.
Astratto
Le tecniche di apprendimento automatico quantistico sono state proposte come un modo per migliorare potenzialmente le prestazioni nelle applicazioni di apprendimento automatico.
In questo documento, introduciamo due nuovi metodi quantistici per le reti neurali. La prima è una rete neurale ortogonale quantistica, che si basa su un circuito piramidale quantistico come elemento costitutivo per l'implementazione della moltiplicazione di matrici ortogonali. Forniamo un modo efficiente per addestrare tali reti neurali ortogonali; i nuovi algoritmi sono descritti in dettaglio sia per l'hardware classico che per quello quantistico, dove entrambi hanno dimostrato di scalare asintoticamente meglio degli algoritmi di addestramento precedentemente noti.
Il secondo metodo sono le reti neurali assistite quantistica, in cui un computer quantistico viene utilizzato per eseguire la stima del prodotto interno per l'inferenza e l'addestramento delle reti neurali classiche.
Presentiamo quindi estesi esperimenti applicati alle attività di classificazione delle immagini mediche utilizzando l'attuale hardware quantistico allo stato dell'arte, dove confrontiamo diversi metodi quantistici con quelli classici, sia su hardware quantistico reale che su simulatori. I nostri risultati mostrano che le reti neurali quantistiche e classiche generano un livello di accuratezza simile, supportando la promessa che i metodi quantistici possono essere utili per risolvere compiti visivi, dato l'avvento di hardware quantistico migliore.
► dati BibTeX
► Riferimenti
, Aram W Harrow, Avinatan Hassidim e Seth Lloyd. "Algoritmo quantistico per sistemi lineari di equazioni". Lettere di revisione fisica 103, 150502 (2009).
https: / / doi.org/ 10.1103 / PhysRevLett.103.150502
, Seth Lloyd, Masoud Mohseni e Patrick Rebentrost. "Algoritmi quantistici per l'apprendimento automatico supervisionato e non supervisionato" (2013).
, Seth Lloyd, Masoud Mohseni e Patrick Rebentrost. "Analisi delle componenti principali quantistiche". Natura Fisica 10, 631-633 (2014).
https: / / doi.org/ 10.1038 / nphys3029
, Iordanis Kerenidis e Anupam Prakash. "Sistemi di raccomandazione quantistica". 8th 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
, Iordanis Kerenidis, Jonas Landman, Alessandro Luongo e Anupam Prakash. "q-significa: un algoritmo quantistico per l'apprendimento automatico senza supervisione". Nei progressi nei sistemi di elaborazione delle informazioni neurali 32. Pagine 4136–4146. Curran Associates, Inc. (2019). URL:.
arXiv: 1812.03584
, Seth Lloyd, Silvano Garnerone, Paolo Zanardi. “Algoritmi quantistici per l'analisi topologica e geometrica dei dati”. Comunicazioni sulla natura 7, 1–7 (2016). url: doi.org/10.1038/ncomms10138.
https: / / doi.org/ 10.1038 / ncomms10138
, Edward Farhi e Hartmut Neven. "Classificazione con reti neurali quantistiche su processori a breve termine" (2018). url: doi.org/10.48550/arXiv.1802.06002.
https:///doi.org/10.48550/arXiv.1802.06002
, I Kerenidis, J Landman e A Prakash. "Algoritmi quantistici per reti neurali convoluzionali profonde". OTTAVA CONFERENZA INTERNAZIONALE SULLE RAPPRESENTAZIONI DELL'APPRENDIMENTO ICLR (2019).
https:///doi.org/10.48550/arXiv.1911.01117
, J Allcock, CY Hsieh, I Kerenidis e S Zhang. "Algoritmi quantistici per reti neurali feedforward". Transazioni ACM sull'informatica quantistica 1 (1), 1-24 (2020).
https: / / doi.org/ 10.1145 / 3411466 mila
, Iris Cong, Soonwon Choi e Mikhail D. Lukin. "Reti neurali convoluzionali quantistiche". Fisica della natura 15 (2019).
https://doi.org/10.1038/s41567-019-0648-8
, Hector Ivan Garcıa-Hernandez, Raymundo Torres-Ruiz e Guo-Hua Sun. "Classificazione delle immagini tramite apprendimento automatico quantistico" (2020). url: doi.org/10.48550/arXiv.2011.02831.
https:///doi.org/10.48550/arXiv.2011.02831
, Saurabh Kumar, Siddharth Dangwal e Debanjan Bhowmik. "Apprendimento supervisionato utilizzando una rete quantistica vestita con" codifica super compressa ": algoritmo e implementazione basata su hardware quantistico" (2020). url: doi.org/10.48550/arXiv.2007.10242.
https:///doi.org/10.48550/arXiv.2007.10242
, Kouhei Nakaji e Naoki Yamamoto. "Rete avversaria generativa quantistica semi-supervisionata per una migliore classificazione dei dati" (2020). url: doi.org/10.1038/s41598-021-98933-6.
https://doi.org/10.1038/s41598-021-98933-6
, William Cappelletti, Rebecca Erbanni e Joaquín Keller. “Classificatore quantistico poliadico” (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 e Jay M. Gambetta. "Apprendimento supervisionato con spazi di funzionalità potenziati quantistici" (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 e Simone Severini. "Classificatori quantistici gerarchici" (2018). url: doi.org/10.1038/s41534-018-0116-9.
https://doi.org/10.1038/s41534-018-0116-9
, Bobak Toussi Kiani, Agnes Villanyi e Seth Lloyd. "Algoritmi di imaging medicale quantistico" (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. “Algoritmi quantistici variazionali” (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. "Algoritmi quantistici rumorosi su scala intermedia". Recensioni di Fisica Moderna 94, 015004 (2022). url: doi.org/10.1103/RevModPhys.94.015004.
https: / / doi.org/ 10.1103 / RevModPhys.94.015004
, Monique Noirhomme-Fraiture e Paula Brito. “Ben oltre i classici modelli di dati: l'analisi simbolica dei dati”. Analisi statistica e data mining: 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 e José I Latorre. "Ricaricamento dei dati per un classificatore quantistico universale". Quantum 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 e Keisuke Fujii. "Apprendimento del circuito quantistico". Revisione fisica A 98, 032309 (2018).
https: / / doi.org/ 10.1103 / PhysRevA.98.032309
, Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac e Nathan Killoran. "Valutazione dei gradienti analitici su hardware quantistico". Revisione fisica A 99, 032331 (2019).
https: / / doi.org/ 10.1103 / PhysRevA.99.032331
, Maria Schuld e Francesco Petruccione. "I modelli quantistici come metodi del kernel". In Machine Learning con computer quantistici. Pagine 217–245. Primavera (2021).
, Maria Schuld, Ryan Sweke e Johannes Jakob Meyer. "Effetto della codifica dei dati sulla potenza espressiva dei modelli variazionali di apprendimento automatico quantistico". Revisione fisica A 103, 032430 (2021).
https: / / doi.org/ 10.1103 / PhysRevA.103.032430
, Iris Cong, Soonwon Choi e Mikhail D Lukin. "Reti neurali convoluzionali quantistiche". Fisica della natura 15, 1273–1278 (2019).
, Jarrod R McClean, Sergio Boixo, Vadim N Smelyanskiy, Ryan Babbush e Hartmut Neven. "Altipiani sterili nei paesaggi di addestramento della rete neurale quantistica". Comunicazioni sulla natura 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 e Nathan Wiebe. "Altipiani sterili indotti dall'entanglement". PRX Quantum 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 e Patrick J Coles. "Altipiani sterili dipendenti dalla funzione di costo in circuiti quantistici parametrizzati poco profondi". Comunicazioni sulla natura 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, and Patrick J Coles. "Trainability of dissipative perceptron-based quantum neural networks". Physical Review Letters 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 e io Kerenidis. "Classificazione del centroide più vicino su un computer quantistico a ioni intrappolati" (2021).
, Kui Jia, Shuai Li, Yuxin Wen, Tongliang Liu e Dacheng Tao. "Reti neurali profonde ortogonali". Transazioni IEEE su analisi dei modelli e intelligenza artificiale (2019).
https: / / doi.org/ 10.1109 / TPAMI.2019.2948352
, Jiayun Wang, Yubei Chen, Rudrasis Chakraborty e Stella X Yu. "Reti neurali convoluzionali ortogonali". In Atti della Conferenza IEEE/CVF su Computer Vision e Pattern Recognition. Pagine 11505–11515. (2020).
https:///doi.org/10.1109/CVPR42600.2020.01152
, Nitin Bansal, Xiaohan Chen e Zhangyang Wang. "Possiamo guadagnare di più dalle regolarizzazioni dell'ortogonalità nell'addestramento di reti profonde?". Progressi nei sistemi di elaborazione delle informazioni neurali 31 (2018).
https: / / doi.org/ 10.5555 / 3327144.3327339 mila
, Xiaohua Zhai, Alexander Kolesnikov, Neil Houlsby e Lucas Beyer. “Scaling vision transformers” (2021).
, Iordanis Kerenidis e Anupam Prakash. "Apprendimento automatico quantistico con stati subspaziali" (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 e José I. Latorre. "Approccio quantistico unario al prezzo delle opzioni" (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 e Yunseong Nam. "Efficienti cancelli di entanglement arbitrario simultaneo su un computer quantistico a ioni intrappolati". Nat Comune, 11 (2020).
https://doi.org/10.1038/s41467-020-16790-9
, Alexander Zlokapa, Hartmut Neven e Seth Lloyd. "Un algoritmo quantistico per l'addestramento di reti neurali classiche ampie e profonde" (2021). url: doi.org/10.48550/arXiv.2107.09200.
https:///doi.org/10.48550/arXiv.2107.09200
, Mario Lezcano-Casado e David Martinez-Rubio. "Vincoli ortogonali economici nelle reti neurali: una semplice parametrizzazione del gruppo ortogonale e unitario". Nella conferenza internazionale sull'apprendimento automatico. Pagine 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 e Shimon Schocken. "Le reti feedforward multistrato con una funzione di attivazione non polinomiale possono approssimare qualsiasi funzione". Reti neurali 6, 861–867 (1993).
https://doi.org/10.1016/S0893-6080(05)80131-5
, Robert Hecht-Nielsen. "Teoria della rete neurale a retropropagazione". In Reti neurali per la percezione. Pagine 65–93. Elsevier (1992).
https:///doi.org/10.1109/IJCNN.1989.118638
, Raul Rojas. "L'algoritmo di retropropagazione". Nelle reti neurali. Pagine 149–182. Springer (1996).
https://doi.org/10.1007/978-3-642-61068-4_7
, Jiancheng Yang, Rui Shi e Bingbing Ni. "Decathlon della classificazione Medmnist: un punto di riferimento automatico leggero per l'analisi delle immagini mediche" (2020).
https:///doi.org/10.1109/ISBI48211.2021.9434062
, Daniel S. Kermany, Michael Goldbaum e altri. "Identificazione di diagnosi mediche e malattie curabili mediante il deep learning basato sulle immagini". Cella, vol. 172, n. 5, pp. 1122 – 1131.e9, (2018).
https:///doi.org/10.1016/j.cell.2018.02.010
, Ping Zhang e Bin Sheng. "Deepdr set di dati di immagini sulla retinopatia diabetica (deepdrid), "la seconda retinopatia diabetica: classificazione e stima della qualità dell'immagine"". https:///isbi.deepdr.org/data.html (2).
https:///isbi.deepdr.org/data.html~
, Hyeonwoo Noh, Tackgeun You, Jonghwan Mun e Bohyung Han. "Regolarizzazione delle reti neurali profonde mediante rumore: sua interpretazione e ottimizzazione". NeuroIPS (2017).
https: / / doi.org/ 10.5555 / 3295222.3295264 mila
, Xue Ying. “Una panoramica sull'overfitting e le sue soluzioni”. In Journal of physics: serie di conferenze. Volume 1168, pagina 022022. IOP Publishing (2019).
https://doi.org/10.1088/1742-6596/1168/2/022022
, El Amine Cherrat, Iordanis Kerenidis, Natansh Mathur, Jonas Landman, Martin Strahm e Yun Yvonna Li. “Trasformatori di visione quantistica” (2022).
, Scott Aaronson. "Leggi la stampa fine". Fisica della natura 11, 291–293 (2015).
https: / / doi.org/ 10.1038 / nphys3272
, Michael A. Nielsen. “Reti neurali e deep learning”. Determinazione Press (2015).
Citato da
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.
