1QC Ware, Palo Alto, Mỹ và Paris, Pháp
2IRIF, CNRS – Đại học Paris, Pháp
3Viện Công nghệ Ấn Độ Roorkee, Ấn Độ
4F. Hoffmann La Roche AG
Tìm bài báo này thú vị hay muốn thảo luận? Scite hoặc để lại nhận xét về SciRate.
Tóm tắt
Các kỹ thuật học máy lượng tử đã được đề xuất như một cách có khả năng nâng cao hiệu suất trong các ứng dụng học máy.
Trong bài báo này, chúng tôi giới thiệu hai phương pháp lượng tử mới cho mạng lưới thần kinh. Cái đầu tiên là mạng nơ ron trực giao lượng tử, dựa trên mạch kim tự tháp lượng tử làm khối xây dựng để thực hiện phép nhân ma trận trực giao. Chúng tôi cung cấp một cách hiệu quả để đào tạo các mạng thần kinh trực giao như vậy; các thuật toán mới được trình bày chi tiết cho cả phần cứng cổ điển và phần cứng lượng tử, trong đó cả hai đều được chứng minh là có khả năng mở rộng tiệm cận tốt hơn so với các thuật toán đào tạo đã biết trước đây.
Phương pháp thứ hai là mạng thần kinh hỗ trợ lượng tử, trong đó máy tính lượng tử được sử dụng để thực hiện ước tính sản phẩm bên trong để suy luận và đào tạo mạng thần kinh cổ điển.
Sau đó, chúng tôi trình bày các thử nghiệm mở rộng được áp dụng cho các nhiệm vụ phân loại hình ảnh y tế bằng cách sử dụng phần cứng lượng tử hiện đại, trong đó chúng tôi so sánh các phương pháp lượng tử khác nhau với các phương pháp cổ điển, trên cả phần cứng lượng tử thực và mô phỏng. Kết quả của chúng tôi cho thấy rằng các mạng nơ ron lượng tử và cổ điển tạo ra mức độ chính xác tương tự nhau, ủng hộ lời hứa rằng các phương pháp lượng tử có thể hữu ích trong việc giải quyết các tác vụ trực quan, nhờ sự ra đời của phần cứng lượng tử tốt hơn.
► Dữ liệu BibTeX
► Tài liệu tham khảo
[1] Aram W Harrow, Avinatan Hassidim và Seth Lloyd. “Thuật toán lượng tử cho hệ phương trình tuyến tính”. Thư đánh giá vật lý 103, 150502 (2009).
https: / / doi.org/ 10.1103 / PhysRevLett.103.150502
[2] Seth Lloyd, Masoud Mohseni và Patrick Rebentrost. “Các thuật toán lượng tử cho máy học có giám sát và không giám sát” (2013).
[3] Seth Lloyd, Masoud Mohseni và Patrick Rebentrost. “Phân tích thành phần chính lượng tử”. Tự nhiên Vật lý 10, 631–633 (2014).
https: / / doi.org/ 10.1038 / nphys3029
[4] Iordanis Kerenidis và Anupam Prakash. “Hệ thống khuyến nghị lượng tử”. Hội nghị Khoa học Máy tính Lý thuyết về Đổi mới lần thứ 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 và Anupam Prakash. “q-mean: Thuật toán lượng tử cho việc học máy không giám sát”. Những tiến bộ trong hệ thống xử lý thông tin thần kinh 32. Trang 4136–4146. Hiệp hội Curran, Inc. (2019). địa chỉ:.
arXiv: 1812.03584
[6] Seth Lloyd, Silvano Garnerone và Paolo Zanardi. “Các thuật toán lượng tử để phân tích cấu trúc liên kết và hình học của dữ liệu”. Truyền thông thiên nhiên 7, 1–7 (2016). url: doi.org/10.1038/ncomms10138.
https: / / doi.org/ 10.1038 / ncomms10138
[7] Edward Farhi và Hartmut Neven. “Phân loại bằng mạng lưới thần kinh lượng tử trên các bộ xử lý ngắn hạn” (2018). url: doi.org/10.48550/arXiv.1802.06002.
https: / / doi.org/ 10.48550 / arXiv.1802.06002
[8] Tôi Kerenidis, J Landman và A Prakash. “Các thuật toán lượng tử cho mạng lưới thần kinh tích chập sâu”. HỘI THẢO QUỐC TẾ LẦN THỨ 2019 VỀ ĐẠI DIỆN HỌC TẬP ICLR (XNUMX).
https: / / doi.org/ 10.48550 / arXiv.1911.01117
[9] J Allcock, CY Hsieh, I Kerenidis và S Zhang. “Các thuật toán lượng tử cho mạng lưới thần kinh tiếp nối”. Giao dịch ACM trên Điện toán Lượng tử 1 (1), 1-24 (2020).
https: / / doi.org/ 10.1145 / 3411466
[10] Iris Cong, Soonwon Choi và Mikhail D. Lukin. “Mạng lưới thần kinh tích chập lượng tử”. Vật lý tự nhiên 15 (2019).
https://doi.org/10.1038/s41567-019-0648-8
[11] Hector Ivan García-Hernandez, Raymundo Torres-Ruiz và Guo-Hua Sun. “Phân loại hình ảnh thông qua máy học lượng tử” (2020). url: doi.org/10.48550/arXiv.2011.02831.
https: / / doi.org/ 10.48550 / arXiv.2011.02831
[12] Saurabh Kumar, Siddharth Dangwal và Debanjan Bhowmik. “Học tập có giám sát bằng cách sử dụng mạng lượng tử mặc quần áo với “mã hóa siêu nén”: Triển khai dựa trên thuật toán và phần cứng lượng tử” (2020). url: doi.org/10.48550/arXiv.2007.10242.
https: / / doi.org/ 10.48550 / arXiv.2007.10242
[13] Kouhei Nakaji và Naoki Yamamoto. “Mạng đối thủ tạo ra bán giám sát lượng tử để phân loại dữ liệu nâng cao” (2020). url: doi.org/10.1038/s41598-021-98933-6.
https://doi.org/10.1038/s41598-021-98933-6
[14] William Cappelletti, Rebecca Erbanni và Joaquín Keller. “Bộ phân loại lượng tử đa âm” (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 và Jay M. Gambetta. “Học tập có giám sát với không gian tính năng nâng cao lượng tử” (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 và Simone Severini. “Bộ phân loại lượng tử có thứ bậc” (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 và Seth Lloyd. “Thuật toán hình ảnh y tế lượng tử” (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 và những người khác. “Thuật toán lượng tử biến thiên” (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, và những người khác. “Thuật toán lượng tử quy mô trung gian ồn ào”. Các bài phê bình Vật lý hiện đại 94, 015004 (2022). url: doi.org/10.1103/RevModPhys.94.015004.
https: / / doi.org/ 10.1103 / RevModPhys.94.015004
[20] Monique Noirhomme-Fraiture và Paula Brito. “Vượt xa các mô hình dữ liệu cổ điển: phân tích dữ liệu tượng trưng”. Phân tích thống kê và khai thác dữ liệu: Tạp chí khoa học dữ liệu ASA số 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 và José I Latorre. “Tải lên lại dữ liệu cho bộ phân loại lượng tử phổ quát”. Lượng tử 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 và Keisuke Fujii. “Học mạch lượng tử”. Tạp Chí Vật Lý A 98, 032309 (2018).
https: / / doi.org/ 10.1103 / PhysRevA.98.032309
[23] Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac và Nathan Killoran. “Đánh giá độ dốc phân tích trên phần cứng lượng tử”. Tạp Chí Vật Lý A 99, 032331 (2019).
https: / / doi.org/ 10.1103 / PhysRevA.99.032331
[24] Maria Schuld và Francesco Petruccione. “Các mô hình lượng tử như các phương pháp hạt nhân”. Trong học máy với máy tính lượng tử. Trang 217–245. Mùa xuân (2021).
[25] Maria Schuld, Ryan Sweke và Johannes Jakob Meyer. “Ảnh hưởng của mã hóa dữ liệu đến khả năng biểu đạt của các mô hình học máy lượng tử đa dạng”. Đánh giá vật lý A 103, 032430 (2021).
https: / / doi.org/ 10.1103 / PhysRevA.103.032430
[26] Iris Cong, Soonwon Choi và Mikhail D Lukin. “Mạng lưới thần kinh tích chập lượng tử”. Vật lý Tự nhiên 15, 1273–1278 (2019).
[27] Jarrod R McClean, Sergio Boixo, Vadim N Smelyanskiy, Ryan Babbush và Hartmut Neven. “Cao nguyên cằn cỗi trong bối cảnh đào tạo mạng lưới thần kinh lượng tử”. Truyền thông thiên nhiên 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 và Nathan Wiebe. “Các cao nguyên cằn cỗi do vướng mắc”. PRX Lượng tử 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 ROLoff, Lukasz Cincio và Patrick J Coles. “Các cao nguyên cằn cỗi phụ thuộc vào hàm chi phí trong các mạch lượng tử được tham số hóa nông”. Truyền thông thiên nhiên 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 và Patrick J Coles. “Khả năng đào tạo của mạng lưới thần kinh lượng tử dựa trên perceptron tiêu tán”. Thư đánh giá vật lý 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 và tôi Kerenidis. “Phân loại trọng tâm gần nhất trên máy tính lượng tử ion bị bẫy” (2021).
[32] Kui Jia, Shuai Li, Yuxin Wen, Tongliang Liu và Dathành Tao. “Mạng lưới thần kinh sâu trực giao”. Giao dịch của IEEE về phân tích mẫu và trí thông minh của máy (2019).
https:///doi.org/10.1109/TPAMI.2019.2948352
[33] Jiayun Wang, Yubei Chen, Rudrasis Chakraborty và Stella X Yu. “Mạng lưới thần kinh tích chập trực giao”. Trong Kỷ yếu của Hội nghị IEEE/CVF về Thị giác máy tính và Nhận dạng mẫu. Trang 11505–11515. (2020).
https:///doi.org/10.1109/CVPR42600.2020.01152
[34] Nitin Bansal, Xiaohan Chen và Zhangyang Wang. “Chúng ta có thể thu được nhiều lợi ích hơn từ việc chính quy hóa trực giao trong việc đào tạo mạng sâu không?”. Những tiến bộ trong hệ thống xử lý thông tin thần kinh 31 (2018).
https: / / doi.org/ 10.5555 / 3327144.3327339
[35] Xiaohua Zhai, Alexander Kolesnikov, Neil Houlsby và Lucas Beyer. “Máy biến áp tầm nhìn mở rộng” (2021).
[36] Iordanis Kerenidis và Anupam Prakash. “Học máy lượng tử với các trạng thái không gian con” (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 và José I. Latorre. “Phương pháp tiếp cận đơn nhất lượng tử để định giá quyền chọn” (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 và Yunseong Nam. “Các cổng vướng víu đồng thời tùy ý hiệu quả trên máy tính lượng tử ion bị bẫy”. Xã Nat, 11 (2020).
https://doi.org/10.1038/s41467-020-16790-9
[39] Alexander Zlokapa, Hartmut Neven và Seth Lloyd. “Thuật toán lượng tử để đào tạo mạng lưới thần kinh cổ điển rộng và sâu” (2021). url: doi.org/10.48550/arXiv.2107.09200.
https: / / doi.org/ 10.48550 / arXiv.2107.09200
[40] Mario Lezcano-Casado và David Martınez-Rubio. “Ràng buộc trực giao giá rẻ trong mạng lưới thần kinh: Tham số hóa đơn giản của nhóm trực giao và nhóm đơn nhất”. Trong Hội nghị quốc tế về học máy. Trang 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 và Shimon Schocken. “Mạng truyền tiếp đa lớp có chức năng kích hoạt không đa thức có thể gần đúng với bất kỳ chức năng nào”. Mạng lưới thần kinh 6, 861–867 (1993).
https://doi.org/10.1016/S0893-6080(05)80131-5
[42] Robert Hecht-Nielsen. “Lý thuyết về mạng lưới thần kinh lan truyền ngược”. Trong mạng lưới thần kinh cho nhận thức. Trang 65–93. Elsevier (1992).
https:///doi.org/10.1109/IJCNN.1989.118638
[43] Raul Rojas. "Thuật toán lan truyền ngược". Trong mạng lưới thần kinh. Trang 149–182. Mùa xuân (1996).
https://doi.org/10.1007/978-3-642-61068-4_7
[44] Jian Cheng Yang, Rui Shi và Bingbing Ni. “Medmnist phân loại mười môn phối hợp: Tiêu chuẩn automl nhẹ để phân tích hình ảnh y tế” (2020).
https:///doi.org/10.1109/ISBI48211.2021.9434062
[45] Daniel S. Kermany, Michael Goldbaum và những người khác. “Xác định các chẩn đoán y tế và các bệnh có thể điều trị bằng học sâu dựa trên hình ảnh”. Tế bào, tập. 172, không. 5, trang 1122 – 1131.e9, (2018).
https:///doi.org/10.1016/j.cell.2018.02.010
[46] Ping Zhang và Bin Sheng. “Bộ dữ liệu hình ảnh bệnh võng mạc tiểu đường Deepdr (deepdrid), “bệnh võng mạc tiểu đường thứ 2 – thách thức phân loại và ước tính chất lượng hình ảnh”. https:///isbi.deepdr.org/data.html (2020).
https:///isbi.deepdr.org/data.html~
[47] Hyeonwoo Noh, Tackgeun You, Jonghwan Mun và Bohyung Han. “Chính quy hóa mạng lưới thần kinh sâu bằng tiếng ồn: Giải thích và tối ưu hóa nó”. Thần kinhIPS (2017).
https: / / doi.org/ 10.5555 / 3295222.3295264
[48] Tiết Ưng. “Tổng quan về trang bị quá mức và các giải pháp của nó”. Trong Tạp chí Vật lý: Chuỗi hội nghị. Tập 1168, trang 022022. Nhà xuất bản IOP (2019).
https://doi.org/10.1088/1742-6596/1168/2/022022
[49] El Amine Cherrat, Iordanis Kerenidis, Natansh Mathur, Jonas Landman, Martin Strahm và Yun Yvonna Li. “Máy biến áp tầm nhìn lượng tử” (2022).
[50] Scott Aaronson. “Đọc bản in đẹp”. Vật lý tự nhiên 11, 291–293 (2015).
https: / / doi.org/ 10.1038 / nphys3272
[51] Michael A. Nielsen. “Mạng lưới thần kinh và học tập sâu”. Nhà xuất bản Quyết tâm (2015).
Trích dẫn
Bài viết này được xuất bản trong Lượng tử dưới Creative Commons Ghi công 4.0 Quốc tế (CC BY 4.0) giấy phép. Bản quyền vẫn thuộc về chủ sở hữu bản quyền gốc như các tác giả hoặc tổ chức của họ.
