Højdimensionel kvantemaskinelæring med små kvantecomputere

Genudgivet af Platon

Abonnenter: 0

Simon C. Marshall, Casper Gyurik og Vedran Dunjko

Leiden Universitet, Leiden, Holland

Finder du denne artikel interessant eller vil du diskutere? Scite eller efterlade en kommentar på SciRate.

Abstrakt

Kvantecomputere har store løfter om at forbedre maskinlæring, men deres nuværende qubit-antal begrænser realiseringen af dette løfte. For at håndtere denne begrænsning har samfundet produceret et sæt teknikker til evaluering af store kvantekredsløb på mindre kvanteenheder. Disse teknikker virker ved at evaluere mange mindre kredsløb på den mindre maskine, som derefter kombineres i et polynomium for at replikere outputtet fra den større maskine. Denne ordning kræver flere kredsløbsevalueringer, end det er praktisk muligt for generelle kredsløb. Men vi undersøger muligheden for, at mange af disse underkredsløb til visse anvendelser er overflødige, og at en meget mindre sum er tilstrækkelig til at estimere det fulde kredsløb. Vi konstruerer en maskinlæringsmodel, der kan være i stand til at tilnærme output fra det større kredsløb med meget færre kredsløbsevalueringer. Vi anvender med succes vores model til opgaven med ciffergenkendelse ved at bruge simulerede kvantecomputere, der er meget mindre end datadimensionen. Modellen anvendes også til opgaven med at tilnærme en tilfældig 10 qubit PQC med simuleret adgang til en 5 qubit computer, selv med kun et relativt beskedent antal kredsløb giver vores model en nøjagtig tilnærmelse af outputtet på 10 qubit PQC'er, overlegen i forhold til et neuralt netværk forsøg. Den udviklede metode kan være nyttig til at implementere kvantemodeller på større data gennem hele NISQ-æraen.

► BibTeX-data

@article{Marshall2023highdimensional, doi = {10.22331/q-2023-08-09-1078}, url = {https://doi.org/10.22331/q-2023-08-09-1078}, title = {High { D}imensional {Q}uantum {M}maskine {L}indtjening {W}med {S}indkøbscenter {Q}uantum {C}computere}, forfatter = {Marshall, Simon C. og Gyurik, Casper og Dunjko, Vedran} , tidsskrift = {{Quantum}}, issn = {2521-327X}, udgiver = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, bind = {7}, sider = { 1078}, måned = aug, år = {2023} }

► Referencer

[1] J Avron, Ofer Casper og Ilan Rozen. Kvantefordel og støjreduktion i distribueret kvanteberegning. Physical Review A, 104 (5): 052404, 2021. 10.1103/PhysRevA.104.052404.
https:///doi.org/10.1103/PhysRevA.104.052404

[2] S Balakrishnan og R Sankaranarayanan. Operatør-schmidt-nedbrydning og de geometriske kanter af to-qubit-porte. Quantum Information Processing, 10 (4): 449–461, 2011. 10.1007/s11128-010-0207-9.
https://doi.org/10.1007/s11128-010-0207-9

[3] Peter L Bartlett og Shahar Mendelson. Rademacher og gaussiske kompleksiteter: Risikogrænser og strukturelle resultater. Journal of Machine Learning Research, 3 (Nov): 463–482, 2002. 10.1007/3-540-44581-1_15.
https://doi.org/10.1007/3-540-44581-1_15

[4] Saikat Basu, Amit Saha, Amlan Chakrabarti og Susmita Sur-Kolay. $ i $-qer: En intelligent tilgang til reduktion af kvantefejl. arXiv fortryk arXiv:2110.06347, 2021. 10.1145/3539613.
https:///doi.org/10.1145/3539613
arXiv: 2110.06347

[5] Marvin Bechtold. At bringe begreberne virtualisering til gate-baseret kvanteberegning. Kandidatafhandling, Stuttgart Universitet, 2021.

[6] Sergey Bravyi, Graeme Smith og John A Smolin. Handel med klassiske og kvanteberegningsressourcer. Physical Review X, 6 (2): 021043, 2016. 10.1103/PhysRevX.6.021043.
https:///doi.org/10.1103/PhysRevX.6.021043

[7] Matthias C Caro, Elies Gil-Fuster, Johannes Jakob Meyer, Jens Eisert og Ryan Sweke. Kodningsafhængige generaliseringsgrænser for parametriserede kvantekredsløb. arXiv preprint arXiv:2106.03880, 2021. 10.22331/q-2021-11-17-582.
https://doi.org/10.22331/q-2021-11-17-582
arXiv: 2106.03880

[8] Gavin E Crooks. Gradienter af parametriserede kvanteporte ved hjælp af parameter-shift-reglen og portnedbrydning. arXiv preprint arXiv:1905.13311, 2019. 10.48550/arXiv.1905.13311.
https:///doi.org/10.48550/arXiv.1905.13311
arXiv: 1905.13311

[9] Li Deng. Mnist-databasen med håndskrevne cifferbilleder til forskning i maskinlæring. IEEE Signal Processing Magazine, 29 (6): 141–142, 2012. 10.1109/MSP.2012.2211477.
https:///doi.org/10.1109/MSP.2012.2211477

[10] Edward Farhi og Hartmut Neven. Klassificering med kvanteneurale netværk på korttidsprocessorer. arXiv preprint arXiv:1802.06002, 2018. 10.48550/arXiv.1802.06002.
https:///doi.org/10.48550/arXiv.1802.06002
arXiv: 1802.06002

[11] Keisuke Fujii, Kaoru Mizuta, Hiroshi Ueda, Kosuke Mitarai, Wataru Mizukami og Yuya O Nakagawa. Dyb variationskvanteegenopløser: en del-og-hersk-metode til at løse et større problem med kvantecomputere i mindre størrelse. PRX Quantum, 3 (1): 010346, 2022. 10.1103/PRXQuantum.3.010346.
https:///doi.org/10.1103/PRXQuantum.3.010346

[12] Francisco Javier Gil Vidal og Dirk Oliver Theis. Input redundans for parametriserede kvantekredsløb. Frontiers in Physics, 8: 297, 2020. 10.48550/arXiv.1901.11434.
https:///doi.org/10.48550/arXiv.1901.11434

[13] Tobias Haug, Chris N Self og MS Kim. Kvantemaskineindlæring af store datasæt ved hjælp af randomiserede målinger. Machine Learning: Science and Technology, 4 (1): 015005, jan 2023. 10.1088/2632-2153/acb0b4.
https://doi.org/10.1088/2632-2153/acb0b4

[14] Vojtěch Havlíček, Antonio D Córcoles, Kristan Temme, Aram W Harrow, Abhinav Kandala, Jerry M Chow og Jay M Gambetta. Overvåget læring med kvanteforstærkede funktionsrum. Nature, 567 (7747): 209-212, 2019. 10.1038/s41586-019-0980-2.
https://doi.org/10.1038/s41586-019-0980-2

[15] Hsin-Yuan Huang, Michael Broughton, Masoud Mohseni, Ryan Babbush, Sergio Boixo, Hartmut Neven og Jarrod R. McClean. Kraften af data i kvantemaskinelæring. Nature Communications, 12 (1), maj 2021. ISSN 2041-1723. 10.1038/s41467-021-22539-9. URL http://dx.doi.org/10.1038/s41467-021-22539-9.
https://doi.org/10.1038/s41467-021-22539-9

[16] Sofiene Jerbi, Casper Gyurik, Simon Marshall, Hans J Briegel og Vedran Dunjko. Varierende kvantepolitikker til forstærkende læring. arXiv preprint arXiv:2103.05577, 2021. 10.48550/arXiv.2103.05577.
https:///doi.org/10.48550/arXiv.2103.05577
arXiv: 2103.05577

[17] js21 (https:///mathoverflow.net/users/21724/js21). Produkt af skøn over middelværdier – koncentration af måleulighed. MathOverflow. URL https:///mathoverflow.net/q/286787. URL:https://mathoverflow.net/q/286787 (version: 2017-11-23).
https:///mathoverflow.net/q/286787

[18] Abhinav Kandala, Antonio Mezzacapo, Kristan Temme, Maika Takita, Markus Brink, Jerry M Chow og Jay M Gambetta. Hardwareeffektiv variationskvanteegenopløser til små molekyler og kvantemagneter. Nature, 549 (7671): 242–246, 2017. 10.1038/nature23879.
https:///doi.org/10.1038/nature23879

[19] Weikang Li, Sirui Lu og Dong-Ling Deng. Kvanteforbundet læring gennem blind kvanteberegning. Science China Physics, Mechanics & Astronomy, 64 (10): 1-8, 2021. 10.1007/s11433-021-1753-3.
https://doi.org/10.1007/s11433-021-1753-3

[20] Jin-Guo Liu og Lei Wang. Differentierbar indlæring af kvantekredsløbsfødte maskiner. Physical Review A, 98 (6): 062324, 2018. 10.1103/PhysRevA.98.062324.
https:///doi.org/10.1103/PhysRevA.98.062324

[21] Jarrod R McClean, Sergio Boixo, Vadim N Smelyanskiy, Ryan Babbush og Hartmut Neven. Ufrugtbare plateauer i quantum neurale netværk træningslandskaber. Nature communications, 9 (1): 1–6, 2018. 10.1038/s41467-018-07090-4.
https://doi.org/10.1038/s41467-018-07090-4

[22] Kosuke Mitarai og Keisuke Fujii. Konstruktion af en virtuel to-qubit-gate ved at sample enkelt-qubit-operationer. New Journal of Physics, 23 (2): 023021, 2021a. 10.1088/1367-2630/abd7bc.
https://doi.org/10.1088/1367-2630/abd7bc

[23] Kosuke Mitarai og Keisuke Fujii. Overhead til simulering af en ikke-lokal kanal med lokale kanaler ved quasi-sandsynlighedssampling. Quantum, 5: 388, 2021b. 10.22331/q-2021-01-28-388.
https://doi.org/10.22331/q-2021-01-28-388

[24] Mehryar Mohri, Afshin Rostamizadeh og Ameet Talwalkar. Grundlaget for maskinlæring. MIT presse, 2018. 10.1007/s00362-019-01124-9.
https://doi.org/10.1007/s00362-019-01124-9

[25] Tianyi Peng, Aram W Harrow, Maris Ozols og Xiaodi Wu. Simulering af store kvantekredsløb på en lille kvantecomputer. Physical Review Letters, 125 (15): 150504, 2020. 10.1103/PhysRevLett.125.150504.
https:///doi.org/10.1103/PhysRevLett.125.150504

[26] Michael A Perlin, Zain H Saleem, Martin Suchara og James C Osborn. Kvantekredsløbsskæring med tomografi med maksimal sandsynlighed. npj Quantum Information, 7 (1): 1–8, 2021. 10.1038/s41534-021-00390-6.
https://doi.org/10.1038/s41534-021-00390-6

[27] Evan Peters, João Caldeira, Alan Ho, Stefan Leichenauer, Masoud Mohseni, Hartmut Neven, Panagiotis Spentzouris, Doug Strain og Gabriel N Perdue. Maskinlæring af højdimensionelle data på en støjende kvanteprocessor. npj Quantum Information, 7 (1): 1–5, 2021. 10.48550/arXiv.2101.09581.
https:///doi.org/10.48550/arXiv.2101.09581

[28] John Preskill. Quantum computing i nisq-æraen og derefter. Quantum, 2: 79, 2018. 10.22331/q-2018-08-06-79.
https://doi.org/10.22331/q-2018-08-06-79

[29] Stefan H Sack, Raimel A Medina, Alexios A Michailidis, Richard Kueng og Maksym Serbyn. Undgå golde plateauer ved hjælp af klassiske skygger. arXiv preprint arXiv:2201.08194, 2022. 10.1103/PRXQuantum.3.020365.
https:///doi.org/10.1103/PRXQuantum.3.020365
arXiv: 2201.08194

[30] Zain H Saleem, Teague Tomesh, Michael A Perlin, Pranav Gokhale og Martin Suchara. Quantum divide and conquer til kombinatorisk optimering og distribueret computing. arXiv preprint arXiv:2107.07532, 2021. 10.48550/arXiv.2107.07532.
https:///doi.org/10.48550/arXiv.2107.07532
arXiv: 2107.07532

[31] Maria Schuld og Nathan Killoran. Kvantemaskinelæring i feature hilbert spaces. Physical review letters, 122 (4): 040504, 2019. 10.1103/PhysRevLett.122.040504.
https:///doi.org/10.1103/PhysRevLett.122.040504

[32] Maria Schuld, Ryan Sweke og Johannes Jakob Meyer. Effekt af datakodning på den ekspressive kraft af variationsrige kvante-maskine-læringsmodeller. Physical Review A, 103 (3): 032430, 2021. 10.1103/PhysRevA.103.032430.
https:///doi.org/10.1103/PhysRevA.103.032430

[33] Wei Tang, Teague Tomesh, Martin Suchara, Jeffrey Larson og Margaret Martonosi. Cutqc: brug af små kvantecomputere til store kvantekredsløbsevalueringer. I Proceedings of the 26th ACM International Conference on Architectural Support for Programming Languages and Operating Systems, side 473–486, 2021. 10.1145/3445814.3446758.
https:///doi.org/10.1145/3445814.3446758

[34] Stephen J Wright. Koordinere nedstigningsalgoritmer. Matematisk programmering, 151 (1): 3-34, 2015. 10.48550/arXiv.1502.04759.
https:///doi.org/10.48550/arXiv.1502.04759

[35] LeCun Yann. Hvis du lytter godt efter, kan du høre geden skrige "MNIST-resultater!" Men fyren lytter ikke nøje. Twitter, 2022.
https:///twitter.com/ylecun/status/1481327585640521728

[36] Xiao Yuan, Jinzhao Sun, Junyu Liu, Qi Zhao og You Zhou. Kvantesimulering med hybridtensornetværk. Physical Review Letters, 127 (4): 040501, 2021. 10.1103/PhysRevLett.127.040501.
https:///doi.org/10.1103/PhysRevLett.127.040501

Citeret af

[1] Arsenii Senokosov, Alexander Sedykh, Asel Sagingalieva og Alexey Melnikov, "Quantum machine learning for image classification", arXiv: 2304.09224, (2023).

[2] Christian Ufrecht, Maniraman Periyasamy, Sebastian Rietsch, Daniel D. Scherer, Axel Plinge og Christopher Mutschler, "Cutting multi-control quantum gates with ZX calculus", arXiv: 2302.00387, (2023).

[3] Angus Lowe, Matija Medvidović, Anthony Hayes, Lee J. O'Riordan, Thomas R. Bromley, Juan Miguel Arrazola og Nathan Killoran, "Hurtig kvantekredsløbsskæring med randomiserede målinger", Quantum 7 (934).

[4] Lirandë Pira og Chris Ferrie, "An Invitation to Distributed Quantum Neural Networks", arXiv: 2211.07056, (2022).

[5] L. Wright, F. Barratt, J. Dborin, V. Wimalaweera, B. Coyle og AG Green, "Deterministic Tensor Network Classifiers", arXiv: 2205.09768, (2022).

[6] Cenk Tüysüz, Giuseppe Clemente, Arianna Crippa, Tobias Hartung, Stefan Kühn og Karl Jansen, "Classical Splitting of Parametrized Quantum Circuits", arXiv: 2206.09641, (2022).

[7] Patrick Huembeli, Giuseppe Carleo og Antonio Mezzacapo, "Entanglement Forging med generative neurale netværksmodeller", arXiv: 2205.00933, (2022).

[8] Marvin Bechtold, Johanna Barzen, Frank Leymann, Alexander Mandl, Julian Obst, Felix Truger og Benjamin Weder, "Undersøgelse af effekten af kredsløbsskæring i QAOA for MaxCut-problemet på NISQ-enheder", arXiv: 2302.01792, (2023).

[9] Adrián Pérez-Salinas, Radoica Draškić, Jordi Tura og Vedran Dunjko, "Reduce&chop: Shallow circuits for deeper problems", arXiv: 2212.11862, (2022).

[10] Tuhin Khare, Ritajit Majumdar, Rajiv Sangle, Anupama Ray, Padmanabha Venkatagiri Seshadri og Yogesh Simmhan, "Parallelizing Quantum-Classical Workloads: Profiling the Impact of Splitting Techniques", arXiv: 2305.06585, (2023).

[11] Ryo Nagai, Shu Kanno, Yuki Sato og Naoki Yamamoto, "Quantum channel decomposition with pre- og post-selection", arXiv: 2305.11642, (2023).

[12] Charles Moussa, Jan N. van Rijn, Thomas Bäck og Vedran Dunjko, "Hyperparameter Importance of Quantum Neural Networks Across Small Datasets", arXiv: 2206.09992, (2022).

[13] Michele Cattelan og Sheir Yarkoni, "Parallel kredsløbsimplementering af variationskvantealgoritmer", arXiv: 2304.03037, (2023).

Ovenstående citater er fra SAO/NASA ADS (sidst opdateret 2023-08-09 15:10:23). Listen kan være ufuldstændig, da ikke alle udgivere leverer passende og fuldstændige citatdata.

Kunne ikke hente Crossref citeret af data under sidste forsøg 2023-08-09 15:10:22: Kunne ikke hente citerede data for 10.22331/q-2023-08-09-1078 fra Crossref. Dette er normalt, hvis DOI blev registreret for nylig.

Dette papir er udgivet i Quantum under Creative Commons Attribution 4.0 International (CC BY 4.0) licens. Ophavsretten forbliver hos de originale copyright-indehavere, såsom forfatterne eller deres institutioner.

SEO Powered Content & PR Distribution. Bliv forstærket i dag.
PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
PlatoESG. Automotive/elbiler, Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
BlockOffsets. Modernisering af miljømæssig offset-ejerskab. Adgang her.
Kilde: https://quantum-journal.org/papers/q-2023-08-09-1078/

Tidsstempel: August 9, 2023

Tidsstempel: November 28, 2022

Højdimensionel kvantemaskinelæring med små kvantecomputere

Genudgivet af Platon

Abstrakt

► BibTeX-data

► Referencer

Citeret af

Mere fra Quantum Journal

Abstraqt: Analyse af kvantekredsløb via abstrakt stabilisatorsimulering

Symmetribeskyttet topologisk orden i åbne kvantesystemer

Kvantefordel i tidsmæssigt flad måling baseret kvanteberegning

Entanglement-rensning med kvante-LDPC-koder og iterativ afkodning

Pauli topologiske undersystemkoder fra Abelske anyon-teorier

Sammenkædningsskemaer til topologisk fejltolerant kvantefejlkorrektion

Støj-robuste jordtilstandsenergiestimater fra dybe kvantekredsløb

Robuste fasekontrollerede porte til skalerbare atomare kvanteprocessorer ved hjælp af optiske stående bølger

Næsten frustrationsfri forberedelse af grundtilstand

Kvantefejlkorrektion med fraktale topologiske koder

Om kontraktionskoefficienter, delordrer og tilnærmelse af kapaciteter for kvantekanaler

Om os

Vertikal søgning & Ai

perron

Stay Connected

Konto