1QC Ware, Palo Alto, สหรัฐอเมริกา และ Paris, France
2IRIF, CNRS – มหาวิทยาลัยปารีส ประเทศฝรั่งเศส
3สถาบันเทคโนโลยีแห่งอินเดีย Rorkee ประเทศอินเดีย
4เอฟ ฮอฟมันน์ ลา โรช เอจี
พบบทความนี้ที่น่าสนใจหรือต้องการหารือ? Scite หรือแสดงความคิดเห็นใน SciRate.
นามธรรม
มีการเสนอเทคนิคการเรียนรู้ของเครื่องควอนตัมเพื่อเป็นวิธีการเพิ่มประสิทธิภาพในแอปพลิเคชันการเรียนรู้ของเครื่อง
ในบทความนี้ เราแนะนำวิธีควอนตัมใหม่สองวิธีสำหรับโครงข่ายประสาทเทียม อันแรกคือโครงข่ายประสาทควอนตัมมุมฉาก ซึ่งอาศัยวงจรพีระมิดควอนตัมเป็นตัวสร้างสำหรับการคูณเมทริกซ์มุมฉาก เราจัดเตรียมวิธีที่มีประสิทธิภาพสำหรับการฝึกอบรมโครงข่ายประสาทเทียมแบบมุมฉากดังกล่าว อัลกอริธึมใหม่มีรายละเอียดสำหรับทั้งฮาร์ดแวร์คลาสสิกและควอนตัม ซึ่งทั้งสองได้รับการพิสูจน์แล้วว่าปรับขนาดได้ดีกว่าอัลกอริทึมการฝึกอบรมที่รู้จักกันก่อนหน้านี้
วิธีที่สองคือควอนตัมช่วยเครือข่ายประสาท ซึ่งใช้คอมพิวเตอร์ควอนตัมเพื่อทำการประเมินผลิตภัณฑ์ภายในสำหรับการอนุมานและการฝึกอบรมเครือข่ายประสาทแบบคลาสสิก
จากนั้นเราจะนำเสนอการทดลองที่ครอบคลุมซึ่งนำไปใช้กับงานการจัดหมวดหมู่ภาพทางการแพทย์โดยใช้ฮาร์ดแวร์ควอนตัมที่ทันสมัย ซึ่งเราเปรียบเทียบวิธีการควอนตัมแบบต่างๆ กับแบบคลาสสิก ทั้งบนฮาร์ดแวร์ควอนตัมจริงและเครื่องจำลอง ผลลัพธ์ของเราแสดงให้เห็นว่าควอนตัมและเครือข่ายนิวรัลแบบคลาสสิกสร้างความแม่นยำในระดับที่ใกล้เคียงกัน ซึ่งสนับสนุนคำมั่นสัญญาที่ว่าวิธีการควอนตัมจะมีประโยชน์ในการแก้ปัญหาด้านการมองเห็น เนื่องจากการกำเนิดของฮาร์ดแวร์ควอนตัมที่ดีกว่า
► ข้อมูล BibTeX
► ข้อมูลอ้างอิง
[1] Aram W Harrow, Avinatan Hassidim และ Seth Lloyd “อัลกอริทึมควอนตัมสำหรับระบบสมการเชิงเส้น”. จดหมายตรวจร่างกาย 103, 150502 (2009).
https://doi.org/10.1103/PhysRevLett.103.150502
[2] Seth Lloyd, Masoud Mohseni และ Patrick Rebentrost “อัลกอริทึมควอนตัมสำหรับการเรียนรู้ของเครื่องภายใต้การดูแลและไม่ได้รับการดูแล” (2013)
[3] Seth Lloyd, Masoud Mohseni และ Patrick Rebentrost “การวิเคราะห์องค์ประกอบหลักควอนตัม”. ฟิสิกส์ธรรมชาติ 10, 631–633 (2014)
https://doi.org/10.1038/nphys3029
[4] Iordanis Kerenidis และ Anupam Prakash “ระบบแนะนำควอนตัม”. นวัตกรรมการประชุมวิทยาการคอมพิวเตอร์เชิงทฤษฎีครั้งที่ 8 (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 และ Anupam Prakash “q-mean: อัลกอริทึมควอนตัมสำหรับการเรียนรู้ของเครื่องที่ไม่มีผู้ดูแล” ในความก้าวหน้าในระบบประมวลผลข้อมูลประสาท 32. หน้า 4136–4146. Curran Associates, Inc. (2019) URL:.
arXiv: 1812.03584
[6] เซธ ลอยด์, ซิลวาโน การ์เนโรเน และเปาโล ซานาร์ดี “อัลกอริธึมควอนตัมสำหรับการวิเคราะห์ข้อมูลเชิงทอพอโลยีและเชิงเรขาคณิต”. การสื่อสารธรรมชาติ 7, 1–7 (2016). URL: doi.org/10.1038/ncomms10138
https://doi.org/10.1038/ncomms10138
[7] เอ็ดเวิร์ด ฟาร์ฮี และฮาร์ทมุท เนเวน “การจำแนกประเภทด้วยโครงข่ายประสาทควอนตัมในตัวประมวลผลระยะใกล้” (2018) URL: doi.org/10.48550/arXiv.1802.06002
https://doi.org/10.48550/arXiv.1802.06002
[8] ฉัน Kerenidis, J Landman และ A Prakash “อัลกอริธึมควอนตัมสำหรับโครงข่ายประสาทเทียมเชิงลึก” การประชุมระหว่างประเทศครั้งที่แปดเกี่ยวกับตัวแทนการเรียนรู้ ICLR (2019)
https://doi.org/10.48550/arXiv.1911.01117
[9] เจ อัลค็อก, ซีวาย เซีย, ฉัน เคเรนดิส และเอส จาง “อัลกอริทึมควอนตัมสำหรับโครงข่ายประสาทเทียมแบบป้อนกลับ” ธุรกรรม ACM บน Quantum Computing 1 (1), 1-24 (2020)
https://doi.org/10.1145/3411466
[10] Iris Cong, Soonwon Choi และ Mikhail D. Lukin “โครงข่ายประสาทเทียมควอนตัม”. ฟิสิกส์ธรรมชาติ 15 (2019)
https://doi.org/10.1038/s41567-019-0648-8
[11] เอคตอร์ อีวาน การ์เซีย-เอร์นานเดซ, เรย์มุนโด ตอร์เรส-รุยซ์ และกัว-ฮัว ซัน “การจำแนกรูปภาพผ่านการเรียนรู้ของเครื่องควอนตัม” (2020) URL: doi.org/10.48550/arXiv.2011.02831
https://doi.org/10.48550/arXiv.2011.02831
[12] Saurabh Kumar, Siddharth Dangwal และ Debanjan Bhowmik “การเรียนรู้ภายใต้การดูแลโดยใช้เครือข่ายควอนตัมที่แต่งตัวด้วย “การเข้ารหัสแบบบีบอัดขั้นสูง”: อัลกอริทึมและการใช้งานบนฮาร์ดแวร์ควอนตัม” (2020) URL: doi.org/10.48550/arXiv.2007.10242
https://doi.org/10.48550/arXiv.2007.10242
[13] โคเฮ นากาจิ และ นาโอกิ ยามาโมโตะ “Quantum semi-supervised generative adversarial network for Enhanced data allocation” (2020) url: doi.org/10.1038/s41598-021-98933-6.
https://doi.org/10.1038/s41598-021-98933-6
[14] วิลเลียม คาเปลเลตติ, รีเบคกา เออร์บานนี และโจอากิน เคลเลอร์ “ตัวแยกประเภทควอนตัมแบบหลายกลุ่ม” (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 และ Jay M. Gambetta “การเรียนรู้ภายใต้การดูแลด้วยฟีเจอร์สเปซที่ปรับปรุงด้วยควอนตัม” (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 และ Simone Severini “ตัวแยกประเภทควอนตัมแบบลำดับชั้น” (2018) url: doi.org/10.1038/s41534-018-0116-9
https://doi.org/10.1038/s41534-018-0116-9
[17] โบบัก ตูซี เกียนี, แอกเนส วิลลายี และเซธ ลอยด์ “อัลกอริธึมการสร้างภาพทางการแพทย์ด้วยควอนตัม” (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 และคณะ “อัลกอริธึมควอนตัมแบบแปรผัน” (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 และคณะ “อัลกอริทึมควอนตัมระดับกลางที่มีเสียงดัง” บทวิจารณ์ฟิสิกส์สมัยใหม่ 94, 015004 (2022) url: doi.org/10.1103/RevModPhys.94.015004
https://doi.org/10.1103/RevModPhys.94.015004
[20] Monique Noirhomme-Fraiture และ Paula Brito “ไปไกลกว่าแบบจำลองข้อมูลแบบดั้งเดิม: การวิเคราะห์ข้อมูลเชิงสัญลักษณ์” การวิเคราะห์ทางสถิติและการทำเหมืองข้อมูล: 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 และ José I Latorre “การอัปโหลดข้อมูลซ้ำสำหรับตัวแยกประเภทควอนตัมสากล” ควอนตัม 4, 226 (2020) url: doi.org/10.22331/q-2020-02-06-226.
https://doi.org/10.22331/q-2020-02-06-226
[22] โคสุเกะ มิทาราอิ, มาโคโตะ เนโกโระ, มาซาฮิโระ คิตากาวะ และเคสุเกะ ฟูจิอิ “การเรียนรู้วงจรควอนตัม”. การตรวจร่างกาย ก 98, 032309 (2018).
https://doi.org/10.1103/PhysRevA.98.032309
[23] Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac และ Nathan Killoran “การประเมินการไล่ระดับสีเชิงวิเคราะห์บนฮาร์ดแวร์ควอนตัม” การทบทวนทางกายภาพ A 99, 032331 (2019)
https://doi.org/10.1103/PhysRevA.99.032331
[24] มาเรีย ชูลด์ และฟรานเชสโก เปตรุชโชเน “โมเดลควอนตัมเป็นวิธีเคอร์เนล”. ในการเรียนรู้ของเครื่องด้วยคอมพิวเตอร์ควอนตัม หน้า 217–245. สปริงเกอร์ (2021).
[25] Maria Schuld, Ryan Sweke และ Johannes Jakob Meyer “ผลของการเข้ารหัสข้อมูลต่อพลังการแสดงออกของโมเดลควอนตัมแมชชีนเลิร์นนิงแบบแปรผัน” การทบทวนทางกายภาพ ก 103, 032430 (2021)
https://doi.org/10.1103/PhysRevA.103.032430
[26] Iris Cong, Soonwon Choi และ Mikhail D. Lukin “โครงข่ายประสาทเทียมควอนตัม”. ฟิสิกส์ธรรมชาติ 15, 1273–1278 (2019)
[27] Jarrod R McClean, Sergio Boixo, Vadim N Smelyanskiy, Ryan Babbush และ Hartmut Neven “ที่ราบสูงแห้งแล้งในภูมิทัศน์การฝึกอบรมโครงข่ายประสาทควอนตัม” การสื่อสารธรรมชาติ 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 และ Nathan Wiebe “ที่ราบสูงแห้งแล้งที่ชักนำให้พัวพัน” PRX ควอนตัม 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 และ Patrick J Coles “ฟังก์ชันต้นทุนขึ้นกับที่ราบสูงแห้งแล้งในวงจรควอนตัมแบบพาราเมตริกแบบตื้น” การสื่อสารธรรมชาติ 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 และ Patrick J Coles “ความสามารถในการฝึกอบรมเครือข่ายประสาทควอนตัมแบบกระจายตัวของเพอร์เซปตรอน” จดหมายทบทวนทางกายภาพ 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 และ I Kerenidis “การจำแนกประเภทเซนทรอยด์ที่ใกล้ที่สุดบนคอมพิวเตอร์ควอนตัมไอออนที่ติดกับดัก” (2021)
[32] Kui Jia, Shuai Li, Yuxin Wen, Tongliang Liu และ Dacheng Tao “โครงข่ายประสาทเทียมเชิงลึกแบบมุมฉาก”. ธุรกรรม IEEE ในการวิเคราะห์รูปแบบและความฉลาดของเครื่องจักร (2019)
https://doi.org/10.1109/TPAMI.2019.2948352
[33] Jiayun Wang, Yubei Chen, Rudrasis Chakraborty และ Stella X Yu "โครงข่ายประสาทเทียมมุมฉาก". ในการประชุม IEEE/CVF on Computer Vision and Pattern Recognition หน้า 11505–11515. (2020).
https://doi.org/10.1109/CVPR42600.2020.01152
[34] Nitin Bansal, Xiaohan Chen และ Zhangyang Wang “เราจะได้ประโยชน์มากขึ้นจากการปรับมุมฉากให้เป็นมาตรฐานในการฝึกอบรมเครือข่ายเชิงลึกหรือไม่” ความก้าวหน้าในระบบประมวลผลข้อมูลประสาท 31 (2018)
https://doi.org/10.5555/3327144.3327339
[35] Xiaohua Zhai, Alexander Kolesnikov, Neil Houlsby และ Lucas Beyer “สเกลวิชันทรานส์ฟอร์มเมอร์ส” (2021)
[36] Iordanis Kerenidis และ Anupam Prakash “การเรียนรู้ของเครื่องควอนตัมด้วยสถานะพื้นที่ย่อย” (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 และ José I. Latorre “แนวทางควอนตัม unary ในการกำหนดราคาตัวเลือก” (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 และ Yunseong Nam “การเข้าไปพัวพันกับประตูโดยพลการโดยพลการพร้อมกันบนคอมพิวเตอร์ควอนตัมไอออนที่ติดกับดัก” นัท คอมมูน, 11 (2020).
https://doi.org/10.1038/s41467-020-16790-9
[39] อเล็กซานเดอร์ ซโลคาปา, ฮาร์ทมุท เนเวน และเซธ ลอยด์ “อัลกอริทึมควอนตัมสำหรับการฝึกโครงข่ายประสาทแบบคลาสสิกทั้งแบบกว้างและลึก” (2021) URL: doi.org/10.48550/arXiv.2107.09200
https://doi.org/10.48550/arXiv.2107.09200
[40] Mario Lezcano-Casado และ David Martınez-Rubio “ข้อจำกัดมุมฉากราคาถูกในโครงข่ายประสาทเทียม: การกำหนดพารามิเตอร์อย่างง่ายของกลุ่มมุมฉากและกลุ่มรวม” ในการประชุมนานาชาติเรื่องการเรียนรู้ของเครื่อง หน้า 3794–3803. พีเอ็มแอลอาร์ (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 และ Shimon Schocken “เครือข่ายฟีดฟอร์เวิร์ดหลายเลเยอร์ที่มีฟังก์ชันการเปิดใช้งานแบบไม่โพลิโนเมียลสามารถประมาณฟังก์ชันใดๆ ก็ได้” เครือข่ายประสาท 6, 861–867 (1993)
https://doi.org/10.1016/S0893-6080(05)80131-5
[42] โรเบิร์ต เฮคท์-นีลเส็น “ทฤษฎีโครงข่ายประสาทเทียมแบบย้อนกลับ”. ในเครือข่ายประสาทเพื่อการรับรู้ หน้า 65–93. เอลส์เวียร์ (1992).
https://doi.org/10.1109/IJCNN.1989.118638
[43] ราอูล โรฆัส. “อัลกอริธึมการแพร่พันธุ์กลับ”. ในโครงข่ายประสาทเทียม หน้า 149–182. สปริงเกอร์(1996).
https://doi.org/10.1007/978-3-642-61068-4_7
[44] Jiancheng Yang, Rui Shi และ Bingbing Ni “ทศกรีฑาประเภท Medmnist: เกณฑ์มาตรฐาน automl ที่มีน้ำหนักเบาสำหรับการวิเคราะห์ภาพทางการแพทย์” (2020)
https://doi.org/10.1109/ISBI48211.2021.9434062
[45] แดเนียล เอส. เคอร์มานี, ไมเคิล โกลด์บอม และอื่น ๆ “การระบุการวินิจฉัยทางการแพทย์และโรคที่รักษาได้ด้วยการเรียนรู้เชิงลึกด้วยภาพ” เซลล์ฉบับ 172 เลขที่ 5 หน้า 1122 – 1131.e9, (2018)
https://doi.org/10.1016/j.cell.2018.02.010
[46] Ping Zhang และ Bin Sheng “ชุดข้อมูลภาพเบาหวานขึ้นจอตา (deepdrid), “เบาหวานขึ้นตาครั้งที่ 2 – ความท้าทายในการให้คะแนนและประเมินคุณภาพของภาพ”” https://isbi.deepdr.org/data.html (2020)
https://isbi.deepdr.org/data.html~
[47] ฮยอนอู โน ทักกึน ยู จองฮวานมุน และโบฮยองฮัน “การจัดระเบียบโครงข่ายประสาทเทียมในระดับลึกด้วยเสียง: การตีความและการเพิ่มประสิทธิภาพ” NeurIPS (2017)
https://doi.org/10.5555/3295222.3295264
[48] เซี่ยยิง. “ภาพรวมของ overfitting และแนวทางแก้ไข”. ใน วารสารฟิสิกส์: ชุดการประชุม. เล่มที่ 1168 หน้า 022022. IOP Publishing (2019).
https://doi.org/10.1088/1742-6596/1168/2/022022
[49] El Amine Cherrat, Iordanis Kerenidis, Natansh Mathur, Jonas Landman, Martin Strahm และ Yun Yvonna Li “ควอนตัมวิชันทรานส์ฟอร์มเมอร์ส” (2022)
[50] สกอตต์ อารอนสัน. “อ่านพิมพ์ดีด” ฟิสิกส์ธรรมชาติ 11, 291-293 (2015).
https://doi.org/10.1038/nphys3272
[51] ไมเคิล เอ. นีลเส็น. “เครือข่ายประสาทและการเรียนรู้เชิงลึก”. กดกำหนด (2015).
อ้างโดย
บทความนี้เผยแพร่ใน Quantum ภายใต้ the ครีเอทีฟคอมมอนส์แบบแสดงที่มา 4.0 สากล (CC BY 4.0) ใบอนุญาต ลิขสิทธิ์ยังคงอยู่กับผู้ถือลิขสิทธิ์ดั้งเดิม เช่น ผู้เขียนหรือสถาบันของพวกเขา
