Quantum-informatiewetenschappers hebben een nieuwe methode geïntroduceerd voor classificaties van machine learning in quantum computing. De niet-lineaire kwantumkernen in een kwantumbinaire classificatie bieden nieuwe inzichten voor het verbeteren van de nauwkeurigheid van kwantummachine learning, geacht beter te kunnen presteren dan de huidige AI-technologie.

Het onderzoeksteam onder leiding van professor June-Koo Kevin Rhee van de School of Electrical Engineering, stelde een kwantumclassificatie voor op basis van kwantumstatusgetrouwheid door een andere begintoestand te gebruiken en de Hadamard-classificatie te vervangen door een swap-test. In tegenstelling tot de conventionele benadering, deze methode zal naar verwachting de classificatietaken aanzienlijk verbeteren wanneer de trainingsdataset klein is, door gebruik te maken van het kwantumvoordeel bij het vinden van niet-lineaire kenmerken in een grote kenmerkruimte.

Quantum machine learning is veelbelovend als een van de noodzakelijke toepassingen voor quantum computing. Bij machinaal leren, een fundamenteel probleem voor een breed scala aan toepassingen is classificatie, een taak die nodig is voor het herkennen van patronen in gelabelde trainingsgegevens om een ​​label toe te kennen aan nieuwe, voorheen ongeziene gegevens; en de kernelmethode is een waardevol classificatiehulpmiddel geweest voor het identificeren van niet-lineaire relaties in complexe gegevens.

Recenter, de kernelmethode is met groot succes geïntroduceerd in quantum machine learning. Het vermogen van kwantumcomputers om gegevens in de kwantumfunctieruimte efficiënt te benaderen en te manipuleren, kan mogelijkheden bieden voor kwantumtechnieken om verschillende bestaande methoden voor machinaal leren te verbeteren.

Het idee van het classificatie-algoritme met een niet-lineaire kernel is dat gegeven een kwantumteststatus, het protocol berekent de gewogen vermogenssom van de getrouwheid van kwantumgegevens in kwantumparallel via een swap-testcircuit gevolgd door twee single-qubit-metingen (zie figuur 1). Dit vereist slechts een klein aantal kwantumgegevensbewerkingen, ongeacht de grootte van de gegevens. De nieuwigheid van deze aanpak is dat gelabelde trainingsgegevens dicht opeengepakt kunnen worden in een kwantumtoestand en vervolgens vergeleken kunnen worden met de testgegevens.

Het KAIST-team, in samenwerking met onderzoekers van de University of KwaZulu-Natal (UKZN) in Zuid-Afrika en Data Cybernetics in Duitsland, heeft het snel evoluerende veld van kwantummachine learning verder ontwikkeld door kwantumclassificatoren met op maat gemaakte kwantumkernen te introduceren.

De invoergegevens worden ofwel weergegeven door klassieke gegevens via een kwantumfunctiekaart of intrinsieke kwantumgegevens, en de classificatie is gebaseerd op de kernelfunctie die de mate meet van de testgegevens tot trainingsgegevens.

Dr. Daniel Park bij KAIST, een van de hoofdauteurs van dit onderzoek, zei dat de kwantumkernel systematisch kan worden aangepast aan een willekeurige machtssom, waardoor het een uitstekende kandidaat is voor toepassingen in de echte wereld.

Professor Rhee zei dat kwantumforking, een techniek die eerder door het team is uitgevonden, maakt het mogelijk om het protocol helemaal opnieuw te starten, zelfs wanneer alle gelabelde trainingsgegevens en de testgegevens onafhankelijk van elkaar in afzonderlijke qubits zijn gecodeerd.

Professor Francesco Petruccione van UKZN legde uit, "De toestandsgetrouwheid van twee kwantumtoestanden omvat de denkbeeldige delen van de waarschijnlijkheidsamplitudes, die het gebruik van de volledige ruimte voor kwantumfuncties mogelijk maakt."

Om het nut van het classificatieprotocol aan te tonen, Carsten Blank van Data Cybernetics implementeerde de classifier en vergeleek klassieke simulaties met behulp van de vijf-qubit IBM-kwantumcomputer die gratis beschikbaar is voor openbare gebruikers via cloudservice. "Dit is een veelbelovend teken dat het veld vordert, ’ merkte Blank op.