• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  science >> Ciencia >  >> Física
    Los científicos introducen un nuevo método para las clasificaciones de aprendizaje automático en la computación cuántica

    Un circuito cuántico para implementar la clasificación binaria no lineal basada en kernel. Crédito:KAIST

    Los científicos de la información cuántica han introducido un nuevo método para las clasificaciones de aprendizaje automático en la computación cuántica. Los núcleos cuánticos no lineales en un clasificador binario cuántico proporcionan nuevos conocimientos para mejorar la precisión del aprendizaje automático cuántico. se considera capaz de superar la tecnología de IA actual.

    El equipo de investigación dirigido por el profesor June-Koo Kevin Rhee de la Escuela de Ingeniería Eléctrica, propuso un clasificador cuántico basado en la fidelidad del estado cuántico utilizando un estado inicial diferente y reemplazando la clasificación de Hadamard con una prueba de intercambio. A diferencia del enfoque convencional, Se espera que este método mejore significativamente las tareas de clasificación cuando el conjunto de datos de entrenamiento es pequeño. explotando la ventaja cuántica de encontrar características no lineales en un gran espacio de características.

    El aprendizaje automático cuántico es prometedor como una de las aplicaciones imperativas para la computación cuántica. En el aprendizaje automático, Un problema fundamental para una amplia gama de aplicaciones es la clasificación, una tarea necesaria para reconocer patrones en datos de entrenamiento etiquetados con el fin de asignar una etiqueta a nuevos, datos nunca antes vistos; y el método del kernel ha sido una herramienta de clasificación invaluable para identificar relaciones no lineales en datos complejos.

    Más recientemente, El método del kernel se ha introducido en el aprendizaje automático cuántico con gran éxito. La capacidad de las computadoras cuánticas para acceder y manipular datos de manera eficiente en el espacio de características cuánticas puede abrir oportunidades para que las técnicas cuánticas mejoren varios métodos de aprendizaje automático existentes.

    La idea del algoritmo de clasificación con un núcleo no lineal es que dado un estado de prueba cuántica, el protocolo calcula la suma de potencia ponderada de las fidelidades de los datos cuánticos en paralelo cuántico mediante un circuito de prueba de intercambio seguido de dos mediciones de un solo qubit (consulte la Figura 1). Esto requiere solo una pequeña cantidad de operaciones de datos cuánticos, independientemente del tamaño de los datos. La novedad de este enfoque radica en el hecho de que los datos de entrenamiento etiquetados pueden empaquetarse densamente en un estado cuántico y luego compararse con los datos de prueba.

    Crédito:KAIST

    El equipo de KAIST, en colaboración con investigadores de la Universidad de KwaZulu-Natal (UKZN) en Sudáfrica y Data Cybernetics en Alemania, ha avanzado aún más en el campo en rápida evolución del aprendizaje automático cuántico mediante la introducción de clasificadores cuánticos con núcleos cuánticos personalizados.

    Los datos de entrada están representados por datos clásicos a través de un mapa de características cuánticas o datos cuánticos intrínsecos, y la clasificación se basa en la función del kernel que mide la proximidad de los datos de prueba a los datos de entrenamiento.

    Dr. Daniel Park en KAIST, uno de los autores principales de esta investigación, dijo que el núcleo cuántico se puede adaptar sistemáticamente a una suma de potencia arbitraria, lo que lo convierte en un excelente candidato para aplicaciones del mundo real.

    El profesor Rhee dijo que la bifurcación cuántica, una técnica que fue inventada por el equipo anteriormente, permite iniciar el protocolo desde cero, incluso cuando todos los datos de entrenamiento etiquetados y los datos de prueba se codifican independientemente en qubits separados.

    El profesor Francesco Petruccione de UKZN explicó:"La fidelidad de estado de dos estados cuánticos incluye las partes imaginarias de las amplitudes de probabilidad, que permite el uso de todo el espacio de características cuánticas ".

    Para demostrar la utilidad del protocolo de clasificación, Carsten Blank de Data Cybernetics implementó el clasificador y comparó simulaciones clásicas utilizando la computadora cuántica IBM de cinco qubits que está disponible gratuitamente para los usuarios públicos a través del servicio en la nube. "Esta es una señal prometedora de que el campo está progresando, "Anotó Blank.


    © Ciencia https://es.scienceaq.com