Los científicos de información cuántica han introducido un nuevo método para las clasificaciones de aprendizaje automático en computación cuántica. Los núcleos cuánticos no lineales en un clasificador binario cuántico proporcionan nuevas ideas para mejorar la precisión del aprendizaje automático cuántico, que se considera capaz de superar la tecnología actual de IA.
El equipo de investigación dirigido por el profesor June-Koo Kevin Rhee de la Facultad 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 en la búsqueda de características no lineales en un gran espacio de características.
El aprendizaje automático cuántico es prometedor como una de las aplicaciones imprescindibles 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 los datos de entrenamiento etiquetados para asignar una etiqueta adatos nuevos, nunca antes vistos; y el método del núcleo ha sido una herramienta de clasificación invaluable para identificar relaciones no lineales en datos complejos.
Más recientemente, el método del núcleo se ha introducido en el aprendizaje cuántico con gran éxito. La capacidad de las computadoras cuánticas para acceder y manipular eficientemente los datos en el espacio de características cuánticas puede abrir oportunidades para que las técnicas cuánticas mejoren varios métodos existentes de aprendizaje automático.
La idea del algoritmo de clasificación con un núcleo no lineal es que, dado un estado de prueba cuántico, el protocolo calcula la suma de potencia ponderada de las fidelidades de los datos cuánticos en paralelo cuántico a través de un circuito de prueba de intercambio seguido de dos mediciones de un solo qubit.Esto requiere solo un pequeño número 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 la prueba.
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 de rápido desarrollo del aprendizaje automático cuántico mediante la introducción de clasificadores cuánticos con núcleos cuánticos adaptados.
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 núcleo que mide la cercanía de los datos de prueba a los datos de entrenamiento.
El Dr. Daniel Park de KAIST, uno de los autores principales de esta investigación, dijo que el núcleo cuántico puede adaptarse 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, hace posible comenzar el protocolo desde cero, incluso cuando todos los datos de entrenamiento etiquetados y los datos de prueba se codifican de forma independiente 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, lo que permite el uso del espacio de características cuánticas completo".
Para demostrar la utilidad del protocolo de clasificación, Carsten Blank de Data Cybernetics implementó el clasificador y comparó las 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 elel campo está progresando ", se observa en blanco.
Fuente de la historia :
Materiales proporcionado por El Instituto Avanzado de Ciencia y Tecnología de Corea KAIST . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :