1QC Ware, Palo Alto, EUA e Paris, França
2IRIF, CNRS – Universidade de Paris, França
3Instituto Indiano de Tecnologia Roorkee, Índia
4F. Hoffmann La Roche AG
Acha este artigo interessante ou deseja discutir? Scite ou deixe um comentário no SciRate.
Sumário
As técnicas de aprendizado de máquina quântica foram propostas como uma maneira de melhorar potencialmente o desempenho em aplicativos de aprendizado de máquina.
Neste artigo, apresentamos dois novos métodos quânticos para redes neurais. A primeira é uma rede neural ortogonal quântica, que se baseia em um circuito piramidal quântico como bloco de construção para implementar a multiplicação de matrizes ortogonais. Fornecemos uma maneira eficiente de treinar essas redes neurais ortogonais; novos algoritmos são detalhados para hardware clássico e quântico, onde ambos são escalados assintoticamente melhor do que os algoritmos de treinamento conhecidos anteriormente.
O segundo método são as redes neurais assistidas quânticas, onde um computador quântico é usado para realizar a estimativa do produto interno para inferência e treinamento de redes neurais clássicas.
Em seguida, apresentamos extensos experimentos aplicados a tarefas de classificação de imagens médicas usando hardware quântico de última geração, onde comparamos diferentes métodos quânticos com métodos clássicos, tanto em hardware quântico real quanto em simuladores. Nossos resultados mostram que redes neurais quânticas e clássicas geram níveis de precisão semelhantes, apoiando a promessa de que métodos quânticos podem ser úteis na resolução de tarefas visuais, dado o advento de um melhor hardware quântico.
► dados BibTeX
► Referências
[1] Aram W Harrow, Avinatan Hassidim e Seth Lloyd. “Algoritmo quântico para sistemas lineares de equações”. Cartas de revisão física 103, 150502 (2009).
https: / / doi.org/ 10.1103 / PhysRevLett.103.150502
[2] Seth Lloyd, Masoud Mohseni e Patrick Rebentrost. “Algoritmos quânticos para aprendizado de máquina supervisionado e não supervisionado” (2013).
[3] Seth Lloyd, Masoud Mohseni e Patrick Rebentrost. “Análise de componentes principais quânticos”. Nature Physics 10, 631–633 (2014).
https: / / doi.org/ 10.1038 / nphys3029
[4] Iordanis Kerenidis e Anupam Prakash. “Sistemas de recomendação quântica”. 8ª Conferência de Inovações em Ciência da Computação Teórica (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 e Anupam Prakash. “q-means: Um algoritmo quântico para aprendizado de máquina não supervisionado”. Em Avanços em Sistemas de Processamento de Informação Neural 32. Páginas 4136–4146. (2019). url:.
arXiv: 1812.03584
[6] Seth Lloyd, Silvano Garnerone e Paolo Zanardi. “Algoritmos quânticos para análise topológica e geométrica de dados”. Comunicações da natureza 7, 1–7 (2016). URL: doi.org/10.1038/ncomms10138.
https: / / doi.org/ 10.1038 / ncomms10138
[7] Edward Farhi e Hartmut Neven. “Classificação com redes neurais quânticas em processadores de curto prazo” (2018). URL: doi.org/10.48550/arXiv.1802.06002.
https:///doi.org/10.48550/arXiv.1802.06002
[8] I Kerenidis, J Landman e A Prakash. “Algoritmos quânticos para redes neurais convolucionais profundas”. OITAVA CONFERÊNCIA INTERNACIONAL SOBRE REPRESENTAÇÕES DE APRENDIZAGEM ICLR (2019).
https:///doi.org/10.48550/arXiv.1911.01117
[9] J Allcock, CY Hsieh, I Kerenidis e S Zhang. “Algoritmos quânticos para redes neurais feedforward”. Transações ACM em Computação Quântica 1 (1), 1-24 (2020).
https: / / doi.org/ 10.1145 / 3411466
[10] Iris Cong, Soonwon Choi e Mikhail D. Lukin. “Redes neurais convolucionais quânticas”. Física da Natureza 15 (2019).
https://doi.org/10.1038/s41567-019-0648-8
[11] Hector Ivan García-Hernandez, Raymundo Torres-Ruiz e Guo-Hua Sun. “Classificação de imagens via aprendizado de máquina quântica” (2020). URL: doi.org/10.48550/arXiv.2011.02831.
https:///doi.org/10.48550/arXiv.2011.02831
[12] Saurabh Kumar, Siddharth Dangwal e Debanjan Bhowmik. “Aprendizagem supervisionada usando uma rede quântica vestida com “codificação supercomprimida”: algoritmo e implementação baseada em hardware quântico” (2020). url: doi.org/10.48550/arXiv.2007.10242.
https:///doi.org/10.48550/arXiv.2007.10242
[13] Kouhei Nakaji e Naoki Yamamoto. “Rede adversária generativa semissupervisionada quântica para classificação aprimorada de dados” (2020). URL: doi.org/10.1038/s41598-021-98933-6.
https://doi.org/10.1038/s41598-021-98933-6
[14] William Cappelletti, Rebecca Erbanni e Joaquín Keller. “Classificador quântico poliádico” (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 e Jay M. Gambetta. “Aprendizagem supervisionada com espaços de recursos quânticos aprimorados” (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 e Simone Severini. “Classificadores quânticos hierárquicos” (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 e Seth Lloyd. “Algoritmos de imagens médicas quânticas” (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, et al. “Algoritmos quânticos variacionais” (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, e outros. “Algoritmos quânticos ruidosos de escala intermediária”. Resenhas de Física Moderna 94, 015004 (2022). url: doi.org/10.1103/RevModPhys.94.015004.
https: / / doi.org/ 10.1103 / RevModPhys.94.015004
[20] Monique Noirhomme-Fraiture e Paula Brito. “Muito além dos modelos de dados clássicos: análise simbólica de dados”. Análise Estatística e Mineração de Dados: 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 e José I Latorre. “Reenvio de dados para um classificador quântico universal”. Quântico 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 e Keisuke Fujii. “Aprendizado de circuitos quânticos”. Physical Review A 98, 032309 (2018).
https: / / doi.org/ 10.1103 / PhysRevA.98.032309
[23] Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac e Nathan Killoran. “Avaliando gradientes analíticos em hardware quântico”. Revisão Física A 99, 032331 (2019).
https: / / doi.org/ 10.1103 / PhysRevA.99.032331
[24] Maria Schuld e Francesco Petruccione. “Modelos quânticos como métodos kernel”. Em Aprendizado de Máquina com Computadores Quânticos. Páginas 217–245. Springer (2021).
[25] Maria Schuld, Ryan Sweke e Johannes Jakob Meyer. “Efeito da codificação de dados no poder expressivo de modelos variacionais de aprendizado de máquina quântica”. Revisão Física A 103, 032430 (2021).
https: / / doi.org/ 10.1103 / PhysRevA.103.032430
[26] Iris Cong, Soonwon Choi e Mikhail D Lukin. “Redes neurais convolucionais quânticas”. Nature Physics 15, 1273–1278 (2019).
[27] Jarrod R McClean, Sergio Boixo, Vadim N Smelyanskiy, Ryan Babbush e Hartmut Neven. “Planaltos áridos em paisagens de treinamento de redes neurais quânticas”. Comunicações da natureza 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 e Nathan Wiebe. “Planaltos estéreis induzidos por emaranhamento”. 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 e Patrick J Coles. “Planaltos estéreis dependentes da função de custo em circuitos quânticos rasos parametrizados”. Comunicações da natureza 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 e Patrick J Coles. “Treinabilidade de redes neurais quânticas dissipativas baseadas em perceptron”. Cartas de Revisão Física 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 e I Kerenidis. “Classificação do centróide mais próximo em um computador quântico de íons aprisionados” (2021).
[32] Kui Jia, Shuai Li, Yuxin Wen, Tongliang Liu e Dacheng Tao. “Redes neurais profundas ortogonais”. Transações IEEE em análise de padrões e inteligência de máquina (2019).
https: / / doi.org/ 10.1109 / TPAMI.2019.2948352
[33] Jiayun Wang, Yubei Chen, Rudrasis Chakraborty e Stella X Yu. “Redes neurais convolucionais ortogonais”. Em Anais da Conferência IEEE/CVF sobre Visão Computacional e Reconhecimento de Padrões. Páginas 11505–11515. (2020).
https:///doi.org/10.1109/CVPR42600.2020.01152
[34] Nitin Bansal, Xiaohan Chen e Zhangyang Wang. “Podemos ganhar mais com regularizações de ortogonalidade no treinamento de redes profundas?”. Avanços em Sistemas de Processamento de Informação Neural 31 (2018).
https: / / doi.org/ 10.5555 / 3327144.3327339
[35] Xiaohua Zhai, Alexander Kolesnikov, Neil Houlsby e Lucas Beyer. “Escalando transformadores de visão” (2021).
[36] Iordanis Kerenidis e Anupam Prakash. “Aprendizado de máquina quântica com estados subespaciais” (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 e José I. Latorre. “Abordagem quântica unária para precificação de opções” (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 e Yunseong Nam. “Portas de emaranhamento simultâneo arbitrárias eficientes em um computador quântico de íons aprisionados”. Nat Comun, 11 (2020).
https://doi.org/10.1038/s41467-020-16790-9
[39] Alexander Zlokapa, Hartmut Neven e Seth Lloyd. “Um algoritmo quântico para treinar redes neurais clássicas amplas e profundas” (2021). URL: doi.org/10.48550/arXiv.2107.09200.
https:///doi.org/10.48550/arXiv.2107.09200
[40] Mario Lezcano-Casado e David Martınez-Rubio. “Restrições ortogonais baratas em redes neurais: Uma simples parametrização do grupo ortogonal e unitário”. Na Conferência Internacional sobre Aprendizado de Máquina. Páginas 3794–3803. 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 e Shimon Schocken. “Redes feedforward multicamadas com função de ativação não polinomial podem aproximar qualquer função”. Redes Neurais 6, 861–867 (1993).
https://doi.org/10.1016/S0893-6080(05)80131-5
[42] Robert Hecht-Nielsen. “Teoria da rede neural de retropropagação”. Em Redes Neurais para Percepção. Páginas 65–93. Elsevier (1992).
https:///doi.org/10.1109/IJCNN.1989.118638
[43] Raul Rojas. “O algoritmo de retropropagação”. Em redes neurais. Páginas 149–182. Springer (1996).
https://doi.org/10.1007/978-3-642-61068-4_7
[44] Jiancheng Yang, Rui Shi e Bingbing Ni. “Decatlo de classificação medmnista: um benchmark automl leve para análise de imagens médicas” (2020).
https:///doi.org/10.1109/ISBI48211.2021.9434062
[45] Daniel S. Kermany, Michael Goldbaum e outros. “Identificando diagnósticos médicos e doenças tratáveis por meio de aprendizagem profunda baseada em imagens”. Célula, vol. 172, não. 5, pp. 1122 – 1131.e9, (2018).
https:///doi.org/10.1016/j.cell.2018.02.010
[46] Ping Zhang e Bin Sheng. “Conjunto de dados de imagens de retinopatia diabética Deepdr (deepdrid),“ a 2ª retinopatia diabética - desafio de classificação e estimativa de qualidade de imagem ””. https://isbi.deepdr.org/data.html (2020).
https://isbi.deepdr.org/data.html~
[47] Hyeonwoo Noh, Tackgeun You, Jonghwan Mun e Bohyung Han. “Regularizando redes neurais profundas por ruído: sua interpretação e otimização”. NeuroIPS (2017).
https: / / doi.org/ 10.5555 / 3295222.3295264
[48] Xue Ying. “Uma visão geral do overfitting e suas soluções”. No Journal of Physics: Série de conferências. Volume 1168, página 022022. Publicação IOP (2019).
https://doi.org/10.1088/1742-6596/1168/2/022022
[49] El Amine Cherrat, Iordanis Kerenidis, Natansh Mathur, Jonas Landman, Martin Strahm e Yun Yvonna Li. “Transformadores de visão quântica” (2022).
[50] Scott Aaronson. “Leia as letras miúdas”. Nature Physics 11, 291-293 (2015).
https: / / doi.org/ 10.1038 / nphys3272
[51] Michael A. Nielsen. “Redes neurais e aprendizagem profunda”. Imprensa de Determinação (2015).
Citado por
Este artigo é publicado na Quantum sob o Atribuição 4.0 do Creative Commons Internacional (CC BY 4.0) licença. Os direitos autorais permanecem com os detentores originais, como os autores ou suas instituições.
