Kuantum bilgi darboğazı için verimli algoritmalar

Kuantum bilgi darboğazı için verimli algoritmalar

Zaman Damgası: 2 Mart 2023 12:00

Masahito Hayashi1,2,3,4 ve Yuxiang Yang5

1Shenzhen Kuantum Bilimi ve Mühendisliği Enstitüsü, Güney Bilim ve Teknoloji Üniversitesi, Shenzhen,518055, Çin
2Uluslararası Kuantum Akademisi (SIQA), Futian Bölgesi, Shenzhen 518048, Çin
3Guangdong Eyaleti Kuantum Bilimi ve Mühendisliği Anahtar Laboratuvarı, Güney Bilim ve Teknoloji Üniversitesi, Shenzhen, 518055, Çin
4Matematik Enstitüsü, Nagoya Üniversitesi, Nagoya, 464-8602, Japonya
5QICI Kuantum Bilgi ve Hesaplama Girişimi, Bilgisayar Bilimleri Bölümü, Hong Kong Üniversitesi, Pokfulam Yolu, Hong Kong

Bu makaleyi ilginç mi buldunuz yoksa tartışmak mı istiyorsunuz? SciRate'e çığlık at veya yorum bırak.

Özet

İlgili bilgiyi çıkarma yeteneği öğrenme için kritik öneme sahiptir. Bu tür ustaca bir yaklaşım, çözümü büyük bir sistemden ilgili bilgilerin sadık ve hafıza açısından verimli bir şekilde temsil edilmesine karşılık gelen bir optimizasyon problemi olan bilgi darboğazıdır. Kuantum hesaplama çağının gelişi, kuantum sistemlerine ilişkin bilgiler üzerinde çalışan etkili yöntemleri gerektirmektedir. Burada, bilgi darboğazının kuantum genelleştirilmesi için yeni ve genel bir algoritma önererek bu konuyu ele alıyoruz. Algoritmamız önceki sonuçlarla karşılaştırıldığında hız ve yakınsama kesinliği açısından öne çıkıyor. Aynı zamanda, orijinal bilgi darboğazı probleminin önemli bir çeşidi olan deterministik bilgi darboğazının kuantum uzantısı da dahil olmak üzere çok daha geniş bir problem yelpazesi için de işe yarar. Özellikle, bir kuantum sisteminin, kuantum bilgi darboğazı konusunda aynı boyuttaki klasik bir sistemden kesinlikle daha iyi performans elde edebileceğini ve kuantum makine öğreniminin avantajını haklı çıkarma konusunda yeni bir vizyon sağlayabileceğini keşfediyoruz.

Kuantum bilgi darboğazı için etkili algoritmalar PlatoBlockchain Veri Zekası. Dikey Arama. Ai.

Öne çıkan görsel: Bilgi darboğazı sorunu

Popüler özet

Hava durumuyla ilgili büyük miktarda verinin üretildiğini düşünün. Yarının hava durumunu tahmin etmek için, bu kadar büyük miktarda verinin işlenmesi zordur ve orijinal büyük veri X'ten temel T bilgisini çıkarmak gerekir. Bilgi darboğazı, belirli bir bilgi miktarını en aza indirerek bu bilgi çıkarma hedefini gerçekleştirir.

Kuantum hesaplama çağının gelişi, kuantum sistemleri için çalışan bilgi darboğazı algoritmalarını gerektirir. Bu çalışmada, genel olarak T ve Y'den birinin (veya her ikisinin) bir kuantum sistemi olması durumunda çalışan bir algoritma tasarlıyoruz. Algoritmamız önceki sonuçlarla karşılaştırıldığında hız ve yakınsama kesinliği açısından öne çıkıyor. Dikkat çekici bir şekilde, yeni T veritabanı olarak bir kuantum sistemi kullanmanın gerçek bir avantajını bulduk; bu, kuantum sistemlerinin makine öğrenimindeki temel özellikleri temsil etmede daha iyi olabileceğini öne sürüyor.

► BibTeX verileri

► Referanslar

[1] S. Arimoto. Rasgele ayrık hafızasız kanalların kapasitesini hesaplamak için bir algoritma. Bilgi Teorisi Üzerine IEEE İşlemleri, 18 (1): 14–20, 1972. 10.1109/​TIT.1972.1054753.
https: / / doi.org/ 10.1109 / TIT.1972.1054753

[2] Leonardo Banchi, Jason Pereira ve Stefano Pirandola. Kuantum makine öğreniminde genelleme: Kuantum bilgisi açısından bakış açısı. PRX Quantum, 2: 040321, Kasım 2021. 10.1103/PRXQuantum.2.040321.
https: / / doi.org/ 10.1103 / PRXQuantum.2.040321

[3] Jacob Biamonte, Peter Wittek, Nicola Pancotti, Patrick Rebentrost, Nathan Wiebe ve Seth Lloyd. Kuantum makine öğrenimi. Nature, 549 (7671): 195–202, 2017. 10.1038/​nature23474.
https: / / doi.org/ 10.1038 / nature23474

[4] R. Blahut. Kanal kapasitesi ve hız-bozulma fonksiyonlarının hesaplanması. Bilgi Teorisi Üzerine IEEE İşlemleri, 18 (4): 460–473, 1972. 10.1109/​TIT.1972.1054855.
https: / / doi.org/ 10.1109 / TIT.1972.1054855

[5] Carsten Blank, Daniel K Park, June-Koo Kevin Rhee ve Francesco Petruccione. Özel kuantum çekirdeğine sahip kuantum sınıflandırıcı. npj Quantum Information, 6 (1): 1–7, 2020. 10.1038/​s41534-020-0272-6.
https:/​/​doi.org/​10.1038/​s41534-020-0272-6

[6] Nilanjana Datta, Christoph Hirche ve Andreas Winter. Kuantum bilgi darboğaz fonksiyonunun dışbükeyliği ve operasyonel yorumlanması. 2019 IEEE Uluslararası Bilgi Teorisi Sempozyumu (ISIT), sayfa 1157–1161, 2019. 10.1109/​ISIT.2019.8849518.
https: / / doi.org/ 10.1109 / ISIT.2019.8849518

[7] András Gilyén, Yuan Su, Guang Hao Low ve Nathan Wiebe. Kuantum tekil değer dönüşümü ve ötesi: kuantum matris aritmetiği için üstel iyileştirmeler. Hesaplama Teorisi üzerine 51. Yıllık ACM SIGACT Sempozyumu Bildiriler Kitabında, sayfa 193-204, 2019. 10.1145/​3313276.3316366.
https: / / doi.org/ 10.1145 / 3313276.3316366

[8] Ziv Goldfeld ve Yuri Polyanskiy. Bilgi darboğaz problemi ve makine öğrenimindeki uygulamaları. IEEE Journal on Selected Areas in Information Theory, 1 (1): 19–38, 2020. 10.1109/​JSAIT.2020.2991561.
https: / / doi.org/ 10.1109 / JSAIT.2020.2991561

[9] Arne L. Grimsmo ve Susanne Still. Kuantum tahminli filtreleme. Fizik. Rev. A, 94: 012338, Temmuz 2016. 10.1103/​PhysRevA.94.012338.
https: / / doi.org/ 10.1103 / PhysRevA.94.012338

[10] Aram W Harrow, Avinatan Hassidim ve Seth Lloyd. Doğrusal denklem sistemleri için kuantum algoritması. Fiziksel inceleme mektupları, 103 (15): 150502, 2009. 10.1103/​PhysRevLett.103.150502.
https: / / doi.org/ 10.1103 / PhysRevLett.103.150502

[11] Vojtěch Havlíček, Antonio D Córcoles, Kristan Temme, Aram W Harrow, Abhinav Kandala, Jerry M Chow ve Jay M Gambetta. Kuantumla geliştirilmiş özellik uzaylarıyla denetimli öğrenme. Nature, 567 (7747): 209–212, 2019. 10.1038 / s41586-019-0980-2.
https:/​/​doi.org/​10.1038/​s41586-019-0980-2

[12] Masahito Hayashi ve Vincent YF Tan. Yaklaşık yeterli istatistiklerin minimum oranları. Bilgi Teorisi Üzerine IEEE İşlemleri, 64 (2): 875–888, 2018. 10.1109/​TIT.2017.2775612.
https: / / doi.org/ 10.1109 / TIT.2017.2775612

[13] Carl W Helstrom. Kuantum algılama ve tahmin teorisi. Journal of Statistical Physics, 1 (2): 231–252, 1969. 10.1007 / BF01007479.
https: / / doi.org/ 10.1007 / BF01007479

[14] Christoph Hirche ve Andreas Winter. Bilgi darboğazı işlevi için alfabe boyutunda bir sınırlama. 2020 IEEE Uluslararası Bilgi Teorisi Sempozyumu (ISIT), sayfa 2383–2388, 2020. 10.1109/​ISIT44484.2020.9174416.
https: / / doi.org/ 10.1109 / ISIT44484.2020.9174416

[15] Alexander S Holevo. Kuantum teorisinin olasılıksal ve istatistiksel yönleri, cilt 1. Springer Science & Business Media, 2011. 10.1007/​978-88-7642-378-9.
https:/​/​doi.org/​10.1007/​978-88-7642-378-9

[16] Winston H. Hsu, Lyndon S. Kennedy ve Shih-Fu Chang. Bilgi darboğazı ilkesine göre video arama yeniden sıralaması. MM '06, sayfa 35–44, New York, NY, ABD, 2006. Bilgisayar Makineleri Birliği. ISBN 1595934472/​10.1145.
https: / / doi.org/ 10.1145 / 1180639.1180654

[17] Seth Lloyd, Maria Schuld, Aroosa Ijaz, Josh Izaac ve Nathan Killoran. Makine öğrenimi için kuantum yerleştirmeler. arXiv ön baskısı arXiv:2001.03622, 2020. 10.48550/​arXiv.2001.03622.
https:/​/​doi.org/10.48550/​arXiv.2001.03622
arXiv: 2001.03622

[18] Guang Hao Low ve Isaac L Chuang. Düzgün spektral amplifikasyonla Hamilton simülasyonu. arXiv ön baskısı arXiv:1707.05391, 2017. 10.48550/​arXiv.1707.05391.
https:/​/​doi.org/10.48550/​arXiv.1707.05391
arXiv: 1707.05391

[19] Guang Hao Low ve Isaac L Chuang. Kübitleştirme ile Hamilton simülasyonu. Quantum, 3: 163, 2019. 10.22331 / q-2019-07-12-163.
https:/​/​doi.org/​10.22331/​q-2019-07-12-163

[20] Adrián Pérez-Salinas, Alba Cervera-Lierta, Elies Gil-Fuster ve José I Latorre. Evrensel bir kuantum sınıflandırıcı için verilerin yeniden yüklenmesi. Quantum, 4: 226, 2020. 10.22331/​q-2020-02-06-226.
https:/​/​doi.org/​10.22331/​q-2020-02-06-226

[21] Martin Plesch ve Vladimír Bužek. Kuantum bilgilerinin verimli sıkıştırılması. Fiziksel İnceleme A, 81 (3): 032317, 2010. 10.1103/​PhysRevA.81.032317.
https: / / doi.org/ 10.1103 / PhysRevA.81.032317

[22] Navneeth Ramakrishnan, Raban Iten, Volkher B. Scholz ve Mario Berta. Kuantum kanal kapasitelerinin hesaplanması. Bilgi Teorisi Üzerine IEEE İşlemleri, 67 (2): 946–960, 2021. 10.1109/​TIT.2020.3034471.
https: / / doi.org/ 10.1109 / TIT.2020.3034471

[23] Lee A Rozema, Dylan H Mahler, Alex Hayat, Peter S Turner ve Aephraim M Steinberg. Bir kübit topluluğunun kuantum veri sıkıştırması. Physical Review Letters, 113 (16): 160504, 2014. 10.1103/​PhysRevLett.113.160504.
https: / / doi.org/ 10.1103 / PhysRevLett.113.160504

[24] Sina Salek, Daniela Cadamuro, Philipp Kammerlander ve Karoline Wiesner. İlgili bilgilerin kuantum oranı-bozulma kodlaması. Bilgi Teorisi Üzerine IEEE İşlemleri, 65 (4): 2603–2613, 2019. 10.1109/​TIT.2018.2878412.
https: / / doi.org/ 10.1109 / TIT.2018.2878412

[25] Maria Schuld. Denetimli kuantum makine öğrenimi modelleri çekirdek yöntemleridir. arXiv ön baskı arXiv:2101.11020, 2021. 10.48550/​arXiv.2101.11020.
https:/​/​doi.org/10.48550/​arXiv.2101.11020
arXiv: 2101.11020

[26] Maria Schuld ve Nathan Killoran. Özellikli Hilbert uzaylarında kuantum makine öğrenimi. Fiziksel İnceleme Mektupları, 122 (4): 040504, 2019. 10.1103/​PhysRevLett.122.040504.
https: / / doi.org/ 10.1103 / PhysRevLett.122.040504

[27] Maria Schuld, Ilya Sinayskiy ve Francesco Petruccione. Kuantum makine öğrenimine giriş. Çağdaş Fizik, 56 (2): 172–185, 2015. 10.1080 / 00107514.2014.964942.
https: / / doi.org/ 10.1080 / 00107514.2014.964942

[28] Ravid Shwartz-Ziv ve Naftali Tishby. Bilgi yoluyla derin sinir ağlarının kara kutusunun açılması. arXiv ön baskısı arXiv:1703.00810, 2017. 10.48550/​arXiv.1703.00810.
https:/​/​doi.org/10.48550/​arXiv.1703.00810
arXiv: 1703.00810

[29] Noam Slonim ve Naftali Tishby. Bilgi darboğazı yöntemiyle kelime kümelerini kullanarak belge kümeleme. SIGIR '00, sayfa 208–215, New York, NY, ABD, 2000. Bilgisayar Makineleri Birliği. ISBN 1581132263/​10.1145.
https: / / doi.org/ 10.1145 / 345508.345578

[30] Maximilian Stark, Aizaz Shah ve Gerhard Bauch. Bilgi darboğazı yöntemini kullanarak kutupsal kod oluşturma. 2018 IEEE Kablosuz İletişim ve Ağ Konferansı Çalıştayları (WCNCW), sayfa 7–12, 2018. 10.1109/​WCNCW.2018.8368978.
https://​/​doi.org/​10.1109/​WCNCW.2018.8368978

[31] DJ Strouse ve David J. Schwab. Deterministik Bilgi Darboğazı. Nöral Hesaplama, 29 (6): 1611–1630, 06 2017. ISSN 0899-7667. 10.1162/​NECO_a_00961.
https://​/​doi.org/​10.1162/​NECO_a_00961

[32] N. Tishby, FC Pereira ve W. Bialek. Bilgi darboğazı yöntemi. 37. Yıllık Allerton İletişim, Kontrol ve Bilgi İşlem Konferansı, sayfa 368-377'de. Üniv. Illinois Press, 1999. 10.48550/​arXiv.physics/​0004057.
https://​/​doi.org/​10.48550/​arXiv.physics/​0004057

[33] Naftali Tishby ve Noga Zaslavsky. Derin öğrenme ve bilgi darboğazı ilkesi. 2015'te IEEE bilgi teorisi çalıştayı (ITW), sayfa 1-5. IEEE, 2015. 10.1109/​ITW.2015.7133169.
https: / / doi.org/ 10.1109 / ITW.2015.7133169

[34] Peter Wittek. Kuantum makine öğrenimi: kuantum hesaplamanın veri madenciliği için anlamı nedir? Academic Press, 2014. 10.1016/​C2013-0-19170-2.
https:/​/​doi.org/​10.1016/​C2013-0-19170-2

[35] Yuxiang Yang, Giulio Chiribella ve Daniel Ebler. Aynı şekilde hazırlanmış karışık durumların toplulukları için verimli kuantum sıkıştırma. Fiziksel İnceleme Mektupları, 116 (8): 080501, 2016a. 10.1103/​PhysRevLett.116.080501.
https: / / doi.org/ 10.1103 / PhysRevLett.116.080501

[36] Yuxiang Yang, Giulio Chiribella ve Masahito Hayashi. Aynı şekilde hazırlanmış kübit durumları için optimum sıkıştırma. Fizik. Rev. Lett., 117: 090502, Ağustos 2016b. 10.1103/​PhysRevLett.117.090502.
https: / / doi.org/ 10.1103 / PhysRevLett.117.090502

[37] Yuxiang Yang, Ge Bai, Giulio Chiribella ve Masahito Hayashi. Kuantum popülasyon kodlaması için sıkıştırma. Bilgi Teorisi Üzerine IEEE İşlemleri, 64 (7): 4766–4783, 2018a. 10.1109/​TIT.2017.2788407.
https: / / doi.org/ 10.1109 / TIT.2017.2788407

[38] Yuxiang Yang, Giulio Chiribella ve Masahito Hayashi. Kuantum kronometre: zamanın kuantum hafızasında nasıl saklanacağı. Royal Society A Bildirileri: Matematik, Fiziksel ve Mühendislik Bilimleri, 474 (2213): 20170773, 2018b. 10.1098/​rspa.2017.0773.
https: / / doi.org/ 10.1098 / rspa.2017.0773

Alıntılama

[1] Ahmet Burak Çatlı ve Nathan Wiebe, “Kuantum Bilgi Darboğaz yöntemini kullanarak kuantum sinir ağlarının eğitimi”, arXiv: 2212.02600, (2022).

[2] Yuxuan Du, Yibo Yang, Dacheng Tao ve Min-Hsiu Hsieh, "Demystify Problem-Dependent Power of Quantum Neural Networks on Multi-Classification", arXiv: 2301.01597, (2022).

Yukarıdaki alıntılar SAO / NASA REKLAMLARI (son başarıyla 2023-03-02 17:03:40) güncellendi. Tüm yayıncılar uygun ve eksiksiz alıntı verisi sağlamadığından liste eksik olabilir.

Getirilemedi Alıntılanan veriler son girişim sırasında 2023-03-02 17:03:39: Crossref'ten 10.22331 / q-2023-03-02-936 için belirtilen veriler getirilemedi. DOI yakın zamanda kaydedildiyse bu normaldir.

Bu Makale, Quantum'da Creative Commons Atıf 4.0 Uluslararası (CC BY 4.0) lisans. Telif hakkı, yazarlar veya kurumları gibi orijinal telif hakkı sahiplerine aittir.

Zaman Damgası:

Den fazla Kuantum Günlüğü