In recente jaren, verschillende computerwetenschappers en natuurkundigen hebben het potentieel van quantum-enhanced machine learning-algoritmen onderzocht. Zoals hun naam al doet vermoeden, quantum machine learning-benaderingen combineren kwantumalgoritmen met machine learning-technieken.

De meeste onderzoekers die algoritmen voor het leren van kwantummachines onderzoeken, hebben geprobeerd te begrijpen of ze taken sneller konden oplossen dan conventionele technieken voor machinaal leren. Een van de taken waarvoor machine learning-algoritmen gewoonlijk worden getraind om te voltooien, zijn classificatietaken, zoals het rangschikken van afbeeldingen in verschillende categorieën of het nauwkeurig classificeren van specifieke objecten of levende wezens in een afbeelding.

Onder de machine learning-algoritmen die veelbelovende resultaten behaalden bij classificatietaken, zijn kernelmethoden, waaronder een gerenommeerde leertechniek onder toezicht genaamd support-vector machine. De afgelopen jaren is sommige wetenschappers die gespecialiseerd zijn in kwantumalgoritmen hebben dus het potentieel van kwantumkernelmethoden onderzocht, die voor het eerst werden geïntroduceerd door Havlicek en zijn collega's bij IBM.

Onderzoekers van IBM Quantum hebben onlangs een onderzoek uitgevoerd naar het potentieel van kwantumkernelmethoden. hun papier, gepubliceerd in Natuurfysica , toont aan dat deze methoden een robuuste kwantumsnelheid kunnen bieden ten opzichte van conventionele kernelmethoden.

"Ondanks de populariteit van kwantumkernelmethoden, een fundamentele vraag bleef onbeantwoord:kunnen kwantumcomputers kernelmethoden gebruiken om een ​​aantoonbaar voordeel te bieden ten opzichte van klassieke leeralgoritmen?" Srinivasan Arunachalam, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde Phys.org . "Het begrijpen van deze vraag was het startpunt van ons werk. In deze Natuurfysica papier, samen met mijn medewerkers Yunchao Liu en Kristan Temme, we hebben deze vraag bevestigend beantwoord."

Als onderdeel van hun studie hebben Arunachalam en zijn collega's construeerden een classificatieprobleem dat kan worden gebruikt om heuristische kwantumkernelmethoden rigoureus te evalueren. Met dit probleem als voorbeeld, ze bewezen het bestaan ​​van een kwantumkernelalgoritme dat een reeks punten aanzienlijk sneller kan classificeren dan klassieke algoritmen wanneer ze op dezelfde gegevens worden getraind en geïmplementeerd op een fouttolerantiemachine.

In de kwantumkernelbenadering die door de onderzoekers wordt overwogen, stapt een kwantumcomputer in om alle berekeningen van het algoritme uit te voeren, behalve een specifiek deel. Wanneer een reeks klassieke gegevenspunten wordt gegeven, zoals bitstrings gegenereerd door een klassieke computer, de kwantumkernelbenadering brengt ze in een hogere dimensionale ruimte, waar kwantumcomputers patronen in gegevens kunnen vinden en kenmerkende kenmerken kunnen extraheren, met behulp van een techniek genaamd quantum kernel estimation (QKE).

"Om deze techniek te gebruiken voor een scheiding tussen kwantum- en klassieke kernels, ons uitgangspunt is een bekend probleem dat vaak wordt gebruikt om klassieke en kwantumcomputers te scheiden, het discrete logaritme probleem, "Zei Arunachalam. "Dit probleem kan worden opgelost in polynomiale tijd op een kwantumcomputer met behulp van het beroemde Shor-algoritme, maar er wordt sterk aangenomen dat het superpolynomiale tijd vereist voor elk klassiek algoritme."

Arunachalam en zijn collega's waren de eersten die een classificatieprobleem construeerden op basis van de hardheidsaanname van het discrete logaritmeprobleem. interessant, ze toonden aan dat de prestaties die door alle klassieke machine learning-technieken op dit probleem worden behaald, het slechtst zijn of gelijk zijn aan willekeurig raden, wat verre van bevredigend is.

"Vervolgens, we hebben een kernelfunctie geconstrueerd die deze klassieke datapunten in kaart brengt op een complexe hoogdimensionale functieruimte en laten zien dat QKE dit classificatieprobleem met zeer hoge precisie in polynomiale tijd kan oplossen, "Zei Arunachalam. "Een extra bonus is dat we kunnen aantonen dat deze kwantumversnelling bestaat, zelfs als er eindige bemonsteringsruis is tijdens het nemen van metingen, wat een belangrijke overweging is voor kortetermijn- en zelfs fouttolerante kwantumcomputers."

Eerdere studies hebben verschillende nieuwe kwantumalgoritmen geïntroduceerd die classificatietaken sneller kunnen oplossen dan conventionele machine learning-technieken. Echter, de meeste van deze algoritmen vereisten sterke input-aannames om veelbelovende resultaten te bereiken of de onderzoekers waren niet in staat om hun voordeel ten opzichte van klassieke machine learning-technieken rigoureus aan te tonen.

"Ons QKE-algoritme kan worden gezien als een end-to-end kwantumvoordeel voor kwantumkernelmethoden die zijn geïmplementeerd op een fouttolerant apparaat (met realistische aannames), omdat we beginnen met klassieke datapunten en een klassieke oplossing voor het classificatieprobleem produceren met behulp van een kwantumcomputer in het midden, " zei Arunachalam. "Natuurlijk, dit is niet het einde van de weg en in plaats daarvan is het alleen maar reden om kwantumkernen beter te begrijpen."

Het recente werk van dit team van onderzoekers bevestigt dat kwantumkernelmethoden kunnen helpen om classificatietaken sneller en efficiënter uit te voeren. In hun toekomstige studies, Arunachalam en zijn collega's zijn van plan om het potentieel te onderzoeken van het gebruik van deze algoritmen om classificatieproblemen in de echte wereld aan te pakken.

"Het classificatieprobleem dat we gebruikten om dit voordeel te bewijzen, is kunstmatig geconstrueerd om een ​​theoretische onderbouwing te bieden voor het nut van kwantumkernen, " Zei Arunachalam. "Er is ruimte om verdere kwantumversnellingen te verkrijgen met behulp van kwantumkernelmethoden voor andere (hopelijk) praktisch relevante problemen. We geloven dat ons resultaat interessant is omdat het ons een richting geeft om te zoeken naar meer leerproblemen die baat kunnen hebben bij kernelmethoden. In ons toekomstige werk hopen we te begrijpen hoe generaliseerbaar de structuur van ons classificatieprobleem is en of er verdere versnellingen mogelijk zijn met vergelijkbare structuren."

© 2021 Science X Network