1QC Ware, Palo Alto, USA i Paryż, Francja
2IRIF, CNRS – Uniwersytet Paryski, Francja
3Indyjski Instytut Technologii Roorkee, Indie
4F. Hoffmann La Roche AG
Czy ten artykuł jest interesujący czy chcesz dyskutować? Napisz lub zostaw komentarz do SciRate.
Abstrakcyjny
Zaproponowano techniki kwantowego uczenia maszynowego jako sposób na potencjalne zwiększenie wydajności w aplikacjach uczenia maszynowego.
W tym artykule przedstawiamy dwie nowe metody kwantowe dla sieci neuronowych. Pierwszym z nich jest kwantowa ortogonalna sieć neuronowa, która jest oparta na kwantowym obwodzie piramidy jako bloku budulcowym do implementacji ortogonalnego mnożenia macierzy. Zapewniamy skuteczny sposób uczenia takich ortogonalnych sieci neuronowych; nowe algorytmy są szczegółowe zarówno dla sprzętu klasycznego, jak i kwantowego, gdzie udowodniono, że oba skalują się asymptotycznie lepiej niż wcześniej znane algorytmy szkoleniowe.
Druga metoda to sieci neuronowe wspomagane kwantowo, w których komputer kwantowy jest używany do estymacji iloczynu wewnętrznego w celu wnioskowania i uczenia klasycznych sieci neuronowych.
Następnie przedstawiamy obszerne eksperymenty zastosowane do zadań klasyfikacji obrazów medycznych przy użyciu najnowocześniejszego sprzętu kwantowego, w których porównujemy różne metody kwantowe z klasycznymi, zarówno na prawdziwym sprzęcie kwantowym, jak i na symulatorach. Nasze wyniki pokazują, że kwantowe i klasyczne sieci neuronowe generują podobny poziom dokładności, potwierdzając obietnicę, że metody kwantowe mogą być przydatne w rozwiązywaniu zadań wizualnych, biorąc pod uwagę pojawienie się lepszego sprzętu kwantowego.
► Dane BibTeX
► Referencje
[1] Aram W Harrow, Avinatan Hassidim i Seth Lloyd. „Algorytm kwantowy dla liniowych układów równań”. Fizyczne listy kontrolne 103, 150502 (2009).
https: / / doi.org/ 10.1103 / PhysRevLett.103.150502
[2] Seth Lloyd, Masoud Mohseni i Patrick Rebentrost. „Algorytmy kwantowe dla nadzorowanego i nienadzorowanego uczenia maszynowego” (2013).
[3] Seth Lloyd, Masoud Mohseni i Patrick Rebentrost. „Kwantowa analiza głównych składowych”. Fizyka przyrody 10, 631–633 (2014).
https: / / doi.org/ 10.1038 / nphys3029
[4] Iordanisa Kerenidisa i Anupama Prakasha. „Kwantowe systemy rekomendacji”. 8th Innovations in Theoretical Computer Science Conference (ITCS 2017) 67, 49:1–49:21 (2017). adres URL: doi.org/10.48550/arXiv.1603.08675.
https:///doi.org/10.48550/arXiv.1603.08675
[5] Iordanis Kerenidis, Jonas Landman, Alessandro Luongo i Anupam Prakash. „Q-średnie: algorytm kwantowy do nienadzorowanego uczenia maszynowego”. W postępach w systemach przetwarzania informacji neuronowych 32. Strony 4136–4146. Curran Associates, Inc. (2019). Adres URL:.
arXiv: 1812.03584
[6] Seth Lloyd, Silvano Garnerone i Paolo Zanardi. „Algorytmy kwantowe do topologicznej i geometrycznej analizy danych”. Komunikaty przyrodnicze 7, 1–7 (2016). URL: doi.org/10.1038/ncomms10138.
https: / / doi.org/ 10.1038 / ncomms10138
[7] Edwarda Farhiego i Hartmuta Nevena. „Klasyfikacja z kwantowymi sieciami neuronowymi na procesorach bliskiego terminu” (2018). adres URL: doi.org/10.48550/arXiv.1802.06002.
https:///doi.org/10.48550/arXiv.1802.06002
[8] I Kerenidis, J Landman i A Prakash. „Algorytmy kwantowe dla głębokich splotowych sieci neuronowych”. ÓSMA MIĘDZYNARODOWA KONFERENCJA REPREZENTACJI UCZENIA SIĘ ICLR (2019).
https:///doi.org/10.48550/arXiv.1911.01117
[9] J Allcock, CY Hsieh, I Kerenidis i S Zhang. „Algorytmy kwantowe dla sieci neuronowych z wyprzedzeniem”. ACM Transactions on Quantum Computing 1 (1), 1-24 (2020).
https: / / doi.org/ 10.1145 / 3411466
[10] Iris Cong, Soonwon Choi i Michaił D. Lukin. „Kwantowe splotowe sieci neuronowe”. Fizyka przyrody 15 (2019).
https://doi.org/10.1038/s41567-019-0648-8
[11] Hector Ivan Garcıa-Hernandez, Raymundo Torres-Ruiz i Guo-Hua Sun. „Klasyfikacja obrazu za pomocą kwantowego uczenia maszynowego” (2020). adres URL: doi.org/10.48550/arXiv.2011.02831.
https:///doi.org/10.48550/arXiv.2011.02831
[12] Saurabh Kumar, Siddharth Dangwal i Debanjan Bhowmik. „Uczenie nadzorowane przy użyciu ubranej sieci kwantowej z„ super skompresowanym kodowaniem ”: implementacja algorytmu i sprzętu kwantowego” (2020). adres URL: doi.org/10.48550/arXiv.2007.10242.
https:///doi.org/10.48550/arXiv.2007.10242
[13] Kouhei Nakaji i Naoki Yamamoto. „Kwantowa częściowo nadzorowana generatywna sieć przeciwstawna do ulepszonej klasyfikacji danych” (2020). adres URL: doi.org/10.1038/s41598-021-98933-6.
https://doi.org/10.1038/s41598-021-98933-6
[14] William Cappelletti, Rebecca Erbanni i Joaquín Keller. „Poliadyczny klasyfikator kwantowy” (2020). adres 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 i Jay M. Gambetta. „Nadzorowane uczenie się za pomocą przestrzeni cech ulepszonych kwantowo” (2018). adres 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 i Simone Severini. „Hierarchiczne klasyfikatory kwantowe” (2018). adres URL: doi.org/10.1038/s41534-018-0116-9.
https://doi.org/10.1038/s41534-018-0116-9
[17] Bobak Toussi Kiani, Agnes Villanyi i Seth Lloyd. „Algorytmy kwantowego obrazowania medycznego” (2020). adres 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, Łukasz Cincio i in. „Wariacyjne algorytmy kwantowe” (2020). adres 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 i in. „Hałasowe algorytmy kwantowe o średniej skali”. Recenzje współczesnej fizyki 94, 015004 (2022). URL: doi.org/10.1103/RevModPhys.94.015004.
https: / / doi.org/ 10.1103 / RevModPhys.94.015004
[20] Monique Noirhomme-Fraiture i Paula Brito. „Daleko poza klasycznymi modelami danych: symboliczna analiza danych”. Analiza statystyczna i eksploracja danych: 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 i José I Latorre. „Ponowne przesyłanie danych dla uniwersalnego klasyfikatora kwantowego”. Kwant 4, 226 (2020). adres 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 i Keisuke Fujii. „Uczenie się obwodów kwantowych”. Przegląd fizyczny A 98, 032309 (2018).
https: / / doi.org/ 10.1103 / PhysRevA.98.032309
[23] Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac i Nathan Killoran. „Ocena gradientów analitycznych na sprzęcie kwantowym”. Przegląd fizyczny A 99, 032331 (2019).
https: / / doi.org/ 10.1103 / PhysRevA.99.032331
[24] Maria Schuld i Francesco Petruccione. „Modele kwantowe jako metody jądrowe”. W uczeniu maszynowym z komputerami kwantowymi. Strony 217–245. Springera (2021).
[25] Maria Schuld, Ryan Sweke i Johannes Jakob Meyer. „Wpływ kodowania danych na siłę wyrazu wariacyjnych modeli uczenia maszynowego kwantowego”. Przegląd fizyczny A 103, 032430 (2021).
https: / / doi.org/ 10.1103 / PhysRevA.103.032430
[26] Iris Cong, Soonwon Choi i Mikhail D Lukin. „Kwantowe splotowe sieci neuronowe”. Fizyka przyrody 15, 1273–1278 (2019).
[27] Jarrod R McClean, Sergio Boixo, Vadim N Smelyanskiy, Ryan Babbush i Hartmut Neven. „Jałowe płaskowyże w krajobrazach treningowych kwantowych sieci neuronowych”. Komunikaty przyrodnicze 9, 1–6 (2018). adres URL: doi.org/10.1038/s41467-018-07090-4.
https://doi.org/10.1038/s41467-018-07090-4
[28] Carlos Ortiz Marrero, Mária Kieferová i Nathan Wiebe. „Jałowe płaskowyże wywołane splątaniem”. PRX Quantum 2, 040316 (2021). adres URL: doi.org/10.1103/PRXQuantum.2.040316.
https: // doi.org/ 10.1103 / PRXQuantum.2.040316
[29] Marco Cerezo, Akira Sone, Tyler Volkoff, Łukasz Cincio i Patrick J Coles. „Jałowe płaskowyże zależne od funkcji kosztów w płytkich sparametryzowanych obwodach kwantowych”. Komunikaty przyrodnicze 12, 1–12 (2021). adres URL: doi.org/10.1038/s41467-021-21728-w.
https: / / doi.org/ 10.1038 / s41467-021-21728-w
[30] Kunal Sharma, Marco Cerezo, Łukasz Cincio i Patrick J Coles. „Możliwość trenowania dyssypatywnych sieci kwantowych opartych na perceptronie”. Listy przeglądu fizycznego 128, 180505 (2022). adres 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 i I Kerenidis. „Najbliższa klasyfikacja centroidów na komputerze kwantowym z uwięzionymi jonami” (2021).
[32] Kui Jia, Shuai Li, Yuxin Wen, Tongliang Liu i Dacheng Tao. „Ortogonalne głębokie sieci neuronowe”. Transakcje IEEE dotyczące analizy wzorców i inteligencji maszynowej (2019).
https: // doi.org/ 10.1109 / TPAMI.2019.2948352
[33] Jiayun Wang, Yubei Chen, Rudrasis Chakraborty i Stella X Yu. „Ortogonalne splotowe sieci neuronowe”. W Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Strony 11505–11515. (2020).
https:///doi.org/10.1109/CVPR42600.2020.01152
[34] Nitin Bansal, Xiaohan Chen i Zhangyang Wang. „Czy możemy zyskać więcej dzięki regularyzacji ortogonalności w szkoleniu głębokich sieci?”. Postępy w systemach przetwarzania informacji neuronowych 31 (2018).
https: / / doi.org/ 10.5555 / 3327144.3327339
[35] Xiaohua Zhai, Alexander Kolesnikov, Neil Houlsby i Lucas Beyer. „Skalowanie transformatorów wizyjnych” (2021).
[36] Iordanisa Kerenidisa i Anupama Prakasha. „Kwantowe uczenie maszynowe ze stanami podprzestrzennymi” (2022). adres 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 i José I. Latorre. „Kwantowe jednoargumentowe podejście do wyceny opcji” (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 i Yunseong Nam. „Wydajne, arbitralne, jednocześnie splątane bramki na komputerze kwantowym z uwięzionymi jonami”. Nat Commun, 11 (2020).
https://doi.org/10.1038/s41467-020-16790-9
[39] Alexandra Zlokapy, Hartmuta Nevena i Setha Lloyda. „Algorytm kwantowy do uczenia szerokich i głębokich klasycznych sieci neuronowych” (2021). adres URL: doi.org/10.48550/arXiv.2107.09200.
https:///doi.org/10.48550/arXiv.2107.09200
[40] Mario Lezcano-Casado i David Martınez-Rubio. „Tanie ograniczenia ortogonalne w sieciach neuronowych: prosta parametryzacja grupy ortogonalnej i unitarnej”. W Międzynarodowej Konferencji na temat uczenia maszynowego. Strony 3794–3803. PMLR (2019). adres URL: doi.org/10.48550/arXiv.1901.08428.
https:///doi.org/10.48550/arXiv.1901.08428
[41] Moshe Leshno, Vladimir Ya Lin, Allan Pinkus i Shimon Schocken. „Wielowarstwowe sieci sprzężone z niewielomianową funkcją aktywacji mogą przybliżać dowolną funkcję”. Sieci neuronowe 6, 861–867 (1993).
https://doi.org/10.1016/S0893-6080(05)80131-5
[42] Roberta Hechta-Nielsena. „Teoria sieci neuronowej ze wsteczną propagacją”. W Sieci neuronowe dla percepcji. Strony 65–93. Elsevier (1992).
https:///doi.org/10.1109/IJCNN.1989.118638
[43] Raula Rojasa. „Algorytm propagacji wstecznej”. W sieciach neuronowych. Strony 149–182. Springera (1996).
https://doi.org/10.1007/978-3-642-61068-4_7
[44] Jiancheng Yang, Rui Shi i Bingbing Ni. „Klasyfikacja medmnist decathlon: lekki test porównawczy automl do analizy obrazów medycznych” (2020).
https:///doi.org/10.1109/ISBI48211.2021.9434062
[45] Daniel S. Kermany, Michael Goldbaum i in. „Identyfikacja diagnoz medycznych i chorób uleczalnych za pomocą głębokiego uczenia się opartego na obrazach”. Komórka, tom. 172, nr. 5, s. 1122 – 1131.e9, (2018).
https:///doi.org/10.1016/j.cell.2018.02.010
[46] Ping Zhang i Bin Sheng. „Zestaw danych obrazu retinopatii cukrzycowej Deepdr (deepdrid),„ druga retinopatia cukrzycowa - wyzwanie oceny i oceny jakości obrazu ””. https:///isbi.deepdr.org/data.html (2).
https:///isbi.deepdr.org/data.html~
[47] Hyeonwoo Noh, Tackgeun You, Jonghwan Mun i Bohyung Han. „Regulowanie głębokich sieci neuronowych przez szum: jego interpretacja i optymalizacja”. NeurIPS (2017).
https: / / doi.org/ 10.5555 / 3295222.3295264
[48] Xue Ying. „Przegląd overfittingu i jego rozwiązań”. W Journal of Physic: seria konferencji. Tom 1168, strona 022022. Wydawnictwo IOP (2019).
https://doi.org/10.1088/1742-6596/1168/2/022022
[49] El Amine Cherrat, Iordanis Kerenidis, Natansh Mathur, Jonas Landman, Martin Strahm i Yun Yvonna Li. „Kwantowe transformatory wizyjne” (2022).
[50] Scott Aaronson. „Przeczytaj drobnym drukiem”. Fizyka przyrody 11, 291-293 (2015).
https: / / doi.org/ 10.1038 / nphys3272
[51] Michaela A. Nielsena. „Sieci neuronowe i uczenie głębokie”. Prasa determinacji (2015).
Cytowany przez
Niniejszy artykuł opublikowano w Quantum pod Creative Commons Uznanie autorstwa 4.0 Międzynarodowe (CC BY 4.0) licencja. Prawa autorskie należą do pierwotnych właścicieli praw autorskich, takich jak autorzy lub ich instytucje.
