Under de senaste åren har flera datavetare och fysiker har undersökt potentialen hos kvantförbättrade maskininlärningsalgoritmer. Som deras namn antyder, kvantmaskininlärningsmetoder kombinerar kvantalgoritmer med maskininlärningstekniker.

De flesta forskare som undersöker kvantmaskininlärningsalgoritmer har försökt förstå om de skulle kunna lösa uppgifter snabbare än konventionella maskininlärningstekniker. En av de uppgifter som maskininlärningsalgoritmer vanligtvis tränas för att utföra är klassificeringsuppgifter, som att ordna bilder i olika kategorier eller korrekt klassificera specifika föremål eller levande varelser i en bild.

Bland maskininlärningsalgoritmerna som uppnådde lovande resultat i klassificeringsuppgifter finns kärnmetoder, som inkluderar en välkänd övervakad inlärningsteknik som kallas stödvektormaskin. Under de senaste åren, vissa forskare specialiserade på kvantalgoritmer har därför undersökt potentialen för kvantkärnmetoder, som först introducerades av Havlicek och hans kollegor på IBM.

Forskare vid IBM Quantum har nyligen genomfört en studie som ytterligare undersöker potentialen hos kvantkärnmetoder. Deras papper, publicerad i Naturfysik , visar att dessa metoder kan ge en robust kvanthastighet jämfört med konventionella kärnmetoder.

"Trots populariteten av kvantkärnmetoder, en grundläggande fråga förblev obesvarad:Kan kvantdatorer använda kärnmetoder för att ge en bevisbar fördel gentemot klassiska inlärningsalgoritmer?" Srinivasan Arunachalam, en av forskarna som genomförde studien, berättade Phys.org . "Att förstå denna fråga var utgångspunkten för vårt arbete. I detta Naturfysik papper, tillsammans med mina medarbetare Yunchao Liu och Kristan Temme, vi löste denna fråga jakande."

Som en del av deras studie, Arunachalam och hans kollegor konstruerade ett klassificeringsproblem som kunde användas för att noggrant utvärdera heuristiska kvantkärnmetoder. Med det här problemet som exempel, de bevisade förekomsten av en kvantkärnalgoritm som kan klassificera en uppsättning punkter betydligt snabbare än klassiska algoritmer när de tränas på samma data och implementeras på en feltoleransmaskin.

I den kvantkärnans metod som forskarna betraktar, går en kvantdator in för att köra alla algoritmens beräkningar, förutom en specifik portion. När en uppsättning klassiska datapunkter ges, till exempel bitsträngar som genereras av en klassisk dator, kvantkärnans tillvägagångssätt kartlägger dem till ett högre dimensionellt utrymme, där kvantdatorer kan hitta mönster i data och extrahera karaktärsdrag, använder en teknik som kallas kvantkärneskattning (QKE).

"För att använda denna teknik för en separation mellan kvantkärnor och klassiska kärnor, vår utgångspunkt är ett välkänt problem som ofta används för att separera klassisk och kvantberäkning, det diskreta logaritmproblemet, "Arunchalam sa. "Detta problem kan lösas i polynomtid på en kvantdator med den berömda Shor's algoritmen men tros starkt kräva superpolynomtid för varje klassisk algoritm."

Arunachalam och hans kollegor var de första som konstruerade ett klassificeringsproblem baserat på hårdhetsantagandet för det diskreta logaritmproblemet. Intressant, de visade att den prestanda som uppnås med alla klassiska maskininlärningstekniker på detta problem är sämst eller lika med slumpmässig gissning, vilket är långt ifrån tillfredsställande.

"Senare, vi konstruerade en kärnfunktion som mappar dessa klassiska datapunkter på ett komplext högdimensionellt funktionsutrymme och visar att QKE kan lösa detta klassificeringsproblem med mycket hög precision i polynomtid, "Arunchalam sa. "En ytterligare bonus är att vi kan visa att denna kvanthastighetsuppgång existerar även om det finns ändligt samplingsljud när man tar mätningar, vilket är en viktig faktor för kortsiktiga och till och med feltoleranta kvantdatorer."

Tidigare studier har introducerat flera nya kvantalgoritmer som skulle kunna lösa klassificeringsuppgifter snabbare än konventionella maskininlärningstekniker. Dock, de flesta av dessa algoritmer krävde starka ingångsantaganden för att uppnå lovande resultat eller så kunde forskarna inte noggrant visa sin fördel gentemot klassiska maskininlärningstekniker.

"Vår QKE-algoritm kan ses som en total kvantfördel för kvantkärnmetoder implementerade på en feltolerant enhet (med realistiska antaganden), eftersom vi börjar med klassiska datapunkter och tar fram en klassisk lösning för klassificeringsproblemet med hjälp av en kvantdator i mitten, " sa Arunachalam. "Självklart, detta är inte slutet på vägen och istället är det bara anledning att ytterligare förstå kvantkärnor bättre."

Det senaste arbetet av detta team av forskare ger en bekräftelse på att kvantkärnmetoder kan hjälpa till att slutföra klassificeringsuppgifter snabbare och mer effektivt. I sina framtida studier, Arunachalam och hans kollegor planerar att undersöka potentialen med att använda dessa algoritmer för att ta itu med klassificeringsproblem i den verkliga världen.

"Klassificeringsproblemet som vi använde för att bevisa denna fördel är konstgjort konstruerat för att ge en teoretisk grund för användbarheten av kvantkärnor, ", sa Arunachalam. "Det finns utrymme att erhålla ytterligare kvanthastigheter med hjälp av kvantkärnmetoder för andra (förhoppningsvis) praktiskt relevanta problem. Vi tror att vårt resultat är intressant eftersom det ger oss en riktning för att leta efter fler inlärningsproblem som kan dra nytta av kärnmetoder. I vårt framtida arbete hoppas vi förstå hur generaliserbar strukturen för vårt klassificeringsproblem är och om det finns ytterligare snabbare att uppnå med liknande strukturer."

© 2021 Science X Network