Høydimensjonal kvantemaskinlæring med små kvantedatamaskiner

Høydimensjonal kvantemaskinlæring med små kvantedatamaskiner

Tidsstempel: 9. august 2023 kl.10: 59
Høydimensjonal kvantemaskinlæring med små kvantedatamaskiner PlatoBlockchain Data Intelligence. Vertikalt søk. Ai.

Simon C. Marshall, Casper Gyurik og Vedran Dunjko

Leiden University, Leiden, Nederland

Finn dette papiret interessant eller vil diskutere? Scite eller legg igjen en kommentar på SciRate.

Abstrakt

Kvantedatamaskiner har store løfter om å forbedre maskinlæring, men deres nåværende qubit-antall begrenser realiseringen av dette løftet. For å håndtere denne begrensningen har samfunnet produsert et sett med teknikker for å evaluere store kvantekretser på mindre kvanteenheter. Disse teknikkene fungerer ved å evaluere mange mindre kretser på den mindre maskinen, som deretter kombineres i et polynom for å gjenskape utdataene til den større maskinen. Denne ordningen krever flere kretsevalueringer enn det som er praktisk for generelle kretser. Imidlertid undersøker vi muligheten for at mange av disse underkretsene for visse bruksområder er overflødige, og at en mye mindre sum er tilstrekkelig for å estimere hele kretsen. Vi konstruerer en maskinlæringsmodell som kan være i stand til å tilnærme utdataene til den større kretsen med mye færre kretsevalueringer. Vi lykkes med å bruke modellen vår til oppgaven med siffergjenkjenning, ved å bruke simulerte kvantedatamaskiner som er mye mindre enn datadimensjonen. Modellen brukes også til oppgaven med å tilnærme en tilfeldig 10 qubit PQC med simulert tilgang til en 5 qubit datamaskin, selv med et relativt beskjedent antall kretser, vår modell gir en nøyaktig tilnærming av 10 qubit PQCs utgang, overlegen et nevralt nettverk forsøk. Den utviklede metoden kan være nyttig for å implementere kvantemodeller på større data gjennom hele NISQ-æraen.

► BibTeX-data

► Referanser

[1] J Avron, Ofer Casper og Ilan Rozen. Kvantefordeler og støyreduksjon i distribuert kvanteberegning. Physical Review A, 104 (5): 052404, 2021. 10.1103/​PhysRevA.104.052404.
https: / / doi.org/ 10.1103 / PhysRevA.104.052404

[2] S Balakrishnan og R Sankaranarayanan. Operatør-schmidt-dekomponering og de geometriske kantene til to-qubit-porter. Quantum Information Processing, 10 (4): 449–461, 2011. 10.1007/​s11128-010-0207-9.
https:/​/​doi.org/​10.1007/​s11128-010-0207-9

[3] Peter L Bartlett og Shahar Mendelson. Rademacher og gaussiske kompleksiteter: Risikogrenser og strukturelle resultater. Journal of Machine Learning Research, 3 (nov): 463–482, 2002. 10.1007/​3-540-44581-1_15.
https:/​/​doi.org/​10.1007/​3-540-44581-1_15

[4] Saikat Basu, Amit Saha, Amlan Chakrabarti og Susmita Sur-Kolay. $ i $-qer: En intelligent tilnærming til kvantefeilreduksjon. arXiv preprint arXiv:2110.06347, 2021. 10.1145/​3539613.
https: / / doi.org/ 10.1145 / 3539613
arxiv: 2110.06347

[5] Marvin Bechtold. Å bringe begrepene virtualisering til portbasert kvantedatabehandling. Masteroppgave, Universitetet i Stuttgart, 2021.

[6] Sergey Bravyi, Graeme Smith og John A Smolin. Handel med klassiske og kvanteberegningsressurser. Physical Review X, 6 (2): 021043, 2016. 10.1103/​PhysRevX.6.021043.
https: / / doi.org/ 10.1103 / PhysRevX.6.021043

[7] Matthias C Caro, Elies Gil-Fuster, Johannes Jakob Meyer, Jens Eisert og Ryan Sweke. Kodingavhengige generaliseringsgrenser for parametriserte kvantekretser. arXiv preprint arXiv:2106.03880, 2021. 10.22331/​q-2021-11-17-582.
https:/​/​doi.org/​10.22331/​q-2021-11-17-582
arxiv: 2106.03880

[8] Gavin E Crooks. Gradienter av parameteriserte kvanteporter ved bruk av parameter-shift-regelen og portdekomponering. arXiv preprint arXiv:1905.13311, 2019. 10.48550/​arXiv.1905.13311.
https://​/​doi.org/​10.48550/​arXiv.1905.13311
arxiv: 1905.13311

[9] Li Deng. Mnist-databasen med håndskrevne sifferbilder for forskning på maskinlæring. IEEE Signal Processing Magazine, 29 (6): 141–142, 2012. 10.1109/​MSP.2012.2211477.
https: / / doi.org/ 10.1109 / MSP.2012.2211477

[10] Edward Farhi og Hartmut Neven. Klassifisering med kvantenevrale nettverk på korttidsprosessorer. arXiv preprint arXiv:1802.06002, 2018. 10.48550/​arXiv.1802.06002.
https://​/​doi.org/​10.48550/​arXiv.1802.06002
arxiv: 1802.06002

[11] Keisuke Fujii, Kaoru Mizuta, Hiroshi Ueda, Kosuke Mitarai, Wataru Mizukami og Yuya O Nakagawa. Dyp variasjonskvanteegenløser: en del-og-hersk-metode for å løse et større problem med kvantedatamaskiner i mindre størrelse. PRX Quantum, 3 (1): 010346, 2022. 10.1103/​PRXQuantum.3.010346.
https: / / doi.org/ 10.1103 / PRXQuantum.3.010346

[12] Francisco Javier Gil Vidal og Dirk Oliver Theis. Inngangsredundans for parameteriserte kvantekretser. Frontiers in Physics, 8: 297, 2020. 10.48550/​arXiv.1901.11434.
https://​/​doi.org/​10.48550/​arXiv.1901.11434

[13] Tobias Haug, Chris N Self og MS Kim. Kvantemaskinlæring av store datasett ved bruk av randomiserte målinger. Machine Learning: Science and Technology, 4 (1): 015005, jan 2023. 10.1088/​2632-2153/​acb0b4.
https:/​/​doi.org/​10.1088/​2632-2153/​acb0b4

[14] Vojtěch Havlíček, Antonio D Córcoles, Kristan Temme, Aram W Harrow, Abhinav Kandala, Jerry M Chow og Jay M Gambetta. Overvåket læring med kvanteforbedrede funksjonsområder. Nature, 567 (7747): 209–212, 2019. 10.1038 / s41586-019-0980-2.
https:/​/​doi.org/​10.1038/​s41586-019-0980-2

[15] Hsin-Yuan Huang, Michael Broughton, Masoud Mohseni, Ryan Babbush, Sergio Boixo, Hartmut Neven og Jarrod R. McClean. Kraften til data i kvantemaskinlæring. Nature Communications, 12 (1), mai 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

[16] Sofiene Jerbi, Casper Gyurik, Simon Marshall, Hans J Briegel og Vedran Dunjko. Varierende kvantepolitikk for forsterkende læring. arXiv preprint arXiv:2103.05577, 2021. 10.48550/​arXiv.2103.05577.
https://​/​doi.org/​10.48550/​arXiv.2103.05577
arxiv: 2103.05577

[17] js21 (https://​/​mathoverflow.net/​users/​21724/​js21). Produkt av estimater av middelverdier – konsentrasjon av måleulikhet. MathOverflow. URL https://​/​mathoverflow.net/​q/​286787. URL:https:/​/​mathoverflow.net/​q/​286787 (versjon: 2017-11-23).
https: / / mathoverflow.net/ q / 286787

[18] Abhinav Kandala, Antonio Mezzacapo, Kristan Temme, Maika Takita, Markus Brink, Jerry M Chow og Jay M Gambetta. Maskinvareeffektiv variasjonskvanteegenløser for små molekyler og kvantemagneter. Nature, 549 (7671): 242–246, 2017. 10.1038/​nature23879.
https: / / doi.org/ 10.1038 / nature23879

[19] Weikang Li, Sirui Lu og Dong-Ling Deng. Kvanteforbundet læring gjennom blind kvanteberegning. 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

[20] Jin-Guo Liu og Lei Wang. Differensierbar læring av kvantekretsfødte maskiner. Physical Review A, 98 (6): 062324, 2018. 10.1103/​PhysRevA.98.062324.
https: / / doi.org/ 10.1103 / PhysRevA.98.062324

[21] Jarrod R McClean, Sergio Boixo, Vadim N Smelyanskiy, Ryan Babbush og Hartmut Neven. Ufruktbare platåer i treningslandskap for kvantenevrale nettverk. Naturkommunikasjon, 9 (1): 1–6, 2018. 10.1038/​s41467-018-07090-4.
https:/​/​doi.org/​10.1038/​s41467-018-07090-4

[22] Kosuke Mitarai og Keisuke Fujii. Konstruere en virtuell to-qubit-port ved å prøve én-qubit-operasjoner. New Journal of Physics, 23 (2): 023021, 2021a. 10.1088/​1367-2630/​abd7bc.
https://​/​doi.org/​10.1088/​1367-2630/​abd7bc

[23] Kosuke Mitarai og Keisuke Fujii. Overhead for simulering av en ikke-lokal kanal med lokale kanaler ved kvasi-sannsynlighetssampling. Quantum, 5: 388, 2021b. 10.22331/​q-2021-01-28-388.
https:/​/​doi.org/​10.22331/​q-2021-01-28-388

[24] Mehryar Mohri, Afshin Rostamizadeh og Ameet Talwalkar. Grunnlaget for maskinlæring. MIT press, 2018. 10.1007/​s00362-019-01124-9.
https:/​/​doi.org/​10.1007/​s00362-019-01124-9

[25] Tianyi Peng, Aram W Harrow, Maris Ozols og Xiaodi Wu. Simulering av store kvantekretser på en liten kvantedatamaskin. Physical Review Letters, 125 (15): 150504, 2020. 10.1103/​PhysRevLett.125.150504.
https: / / doi.org/ 10.1103 / PhysRevLett.125.150504

[26] Michael A Perlin, Zain H Saleem, Martin Suchara og James C Osborn. Kvantekretsskjæring med tomografi med maksimal sannsynlighet. npj Quantum Information, 7 (1): 1–8, 2021. 10.1038/​s41534-021-00390-6.
https:/​/​doi.org/​10.1038/​s41534-021-00390-6

[27] Evan Peters, João Caldeira, Alan Ho, Stefan Leichenauer, Masoud Mohseni, Hartmut Neven, Panagiotis Spentzouris, Doug Strain og Gabriel N Perdue. Maskinlæring av høydimensjonale data på en støyende kvanteprosessor. npj Quantum Information, 7 (1): 1–5, 2021. 10.48550/​arXiv.2101.09581.
https://​/​doi.org/​10.48550/​arXiv.2101.09581

[28] John Preskill. Quantum computing i nisq-tiden og utover. Quantum, 2: 79, 2018. 10.22331 / q-2018-08-06-79.
https:/​/​doi.org/​10.22331/​q-2018-08-06-79

[29] Stefan H Sack, Raimel A Medina, Alexios A Michailidis, Richard Kueng og Maksym Serbyn. Unngå golde platåer ved å bruke klassiske skygger. arXiv preprint arXiv:2201.08194, 2022. 10.1103/​PRXQuantum.3.020365.
https: / / doi.org/ 10.1103 / PRXQuantum.3.020365
arxiv: 2201.08194

[30] Zain H Saleem, Teague Tomesh, Michael A Perlin, Pranav Gokhale og Martin Suchara. Quantum divide and conquer for kombinatorisk optimalisering og distribuert databehandling. arXiv preprint arXiv:2107.07532, 2021. 10.48550/​arXiv.2107.07532.
https://​/​doi.org/​10.48550/​arXiv.2107.07532
arxiv: 2107.07532

[31] Maria Schuld og Nathan Killoran. Kvantemaskinlæring i funksjoner Hilbert-rom. Physical review letters, 122 (4): 040504, 2019. 10.1103/​PhysRevLett.122.040504.
https: / / doi.org/ 10.1103 / PhysRevLett.122.040504

[32] Maria Schuld, Ryan Sweke og Johannes Jakob Meyer. Effekt av datakoding på uttrykkskraften til variasjonelle kvante-maskin-læringsmodeller. Physical Review A, 103 (3): 032430, 2021. 10.1103/​PhysRevA.103.032430.
https: / / doi.org/ 10.1103 / PhysRevA.103.032430

[33] Wei Tang, Teague Tomesh, Martin Suchara, Jeffrey Larson og Margaret Martonosi. Cutqc: bruk av små kvantedatamaskiner for store kvantekretsevalueringer. I Proceedings of the 26th ACM International Conference on Architectural Support for Programming Languages ​​and Operating Systems, side 473–486, 2021. 10.1145/​3445814.3446758.
https: / / doi.org/ 10.1145 / 3445814.3446758

[34] Stephen J Wright. Koordinere nedstigningsalgoritmer. Matematisk programmering, 151 (1): 3–34, 2015. 10.48550/​arXiv.1502.04759.
https://​/​doi.org/​10.48550/​arXiv.1502.04759

[35] LeCun Yann. Hvis du lytter nøye, kan du høre bukken skrike «MNIST-resultater!» Men fyren lytter ikke nøye. Twitter, 2022.
https://​/​twitter.com/​ylecun/​status/​1481327585640521728

[36] Xiao Yuan, Jinzhao Sun, Junyu Liu, Qi Zhao og You Zhou. Kvantesimulering med hybrid tensornettverk. Physical Review Letters, 127 (4): 040501, 2021. 10.1103/​PhysRevLett.127.040501.
https: / / doi.org/ 10.1103 / PhysRevLett.127.040501

Sitert av

[1] Arsenii Senokosov, Alexander Sedykh, Asel Sagingalieva og Alexey Melnikov, "Kvantemaskinlæring for bildeklassifisering", arxiv: 2304.09224, (2023).

[2] Christian Ufrecht, Maniraman Periyasamy, Sebastian Rietsch, Daniel D. Scherer, Axel Plinge og Christopher Mutschler, "Cutting multi-control quantum gates with ZX calculus", arxiv: 2302.00387, (2023).

[3] Angus Lowe, Matija Medvidović, Anthony Hayes, Lee J. O'Riordan, Thomas R. Bromley, Juan Miguel Arrazola og Nathan Killoran, "Rask kvantekretsskjæring med randomiserte målinger", Quantum 7, 934 (2023).

[4] Lirandë Pira og Chris Ferrie, "An Invitation to Distributed Quantum Neural Networks", arxiv: 2211.07056, (2022).

[5] L. Wright, F. Barratt, J. Dborin, V. Wimalaweera, B. Coyle og AG Green, "Deterministic Tensor Network Classifiers", arxiv: 2205.09768, (2022).

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

[7] Patrick Huembeli, Giuseppe Carleo og Antonio Mezzacapo, "Entanglement Forging with generative neural network models", arxiv: 2205.00933, (2022).

[8] Marvin Bechtold, Johanna Barzen, Frank Leymann, Alexander Mandl, Julian Obst, Felix Truger og Benjamin Weder, "Undersøker effekten av kretsskjæring i QAOA for MaxCut-problemet på NISQ-enheter", arxiv: 2302.01792, (2023).

[9] Adrián Pérez-Salinas, Radoica Draškić, Jordi Tura og Vedran Dunjko, "Reduce&chop: Shallow circuits for deeper problems", arxiv: 2212.11862, (2022).

[10] Tuhin Khare, Ritajit Majumdar, Rajiv Sangle, Anupama Ray, Padmanabha Venkatagiri Seshadri og Yogesh Simmhan, "Parallelizing Quantum-Classical Workloads: Profiling the Impact of Splitting Techniques", arxiv: 2305.06585, (2023).

[11] Ryo Nagai, Shu Kanno, Yuki Sato og Naoki Yamamoto, "Kvantekanalnedbryting med forhånds- og ettervalg", arxiv: 2305.11642, (2023).

[12] Charles Moussa, Jan N. van Rijn, Thomas Bäck og Vedran Dunjko, "Hyperparameter Importance of Quantum Neural Networks Across Small Datasets", arxiv: 2206.09992, (2022).

[13] Michele Cattelan og Sheir Yarkoni, "Parallell kretsimplementering av variasjonskvantealgoritmer", arxiv: 2304.03037, (2023).

Sitatene ovenfor er fra SAO / NASA ADS (sist oppdatert vellykket 2023-08-10 03:13:01). Listen kan være ufullstendig fordi ikke alle utgivere gir passende og fullstendige sitasjonsdata.

On Crossrefs siterte tjeneste ingen data om sitering av verk ble funnet (siste forsøk 2023-08-10 03:12:54).

Denne artikkelen er utgitt i Quantum under Creative Commons Attribution 4.0 International (CC BY 4.0) tillatelse. Opphavsrett forblir hos de opprinnelige rettighetshaverne som forfatterne eller institusjonene deres.

Tidstempel:

Mer fra Kvantejournal