Эксперимент QC Ware и IonQ Демонстрирует, что Алгоритмы машинного обучения могут работать на ближайшем квантовом оборудовании

Добро пожаловать на средний канал QC Ware. Мы начнем с того, что поделимся с вами важной вехой в квантовом машинном обучении, которая имеет значительные последствия для развития практических и полезных приложений QML и для потенциала следующего поколения квантовых машин, чтобы превзойти классические компьютеры.

Сегодня в Q2B20 Йорданис Керенидис, руководитель отдела квантовых алгоритмов — International в QC Ware, и Соника Джохри, старший научный сотрудник по исследованиям квантовых приложений в IonQ, поделятся техническими подробностями нашего недавнего совместного эксперимента, который продемонстрировал, что машинное обучение на ближайших квантовых компьютерах может достичь того же или лучшего уровня точности и может стремиться быть быстрее, чем на классических компьютерах.

Их сессия, озаглавленная “Шумоустойчивая реализация квантового алгоритма Ближайшего центроида”, состоится сегодня в 12:20 по тихоокеанскому времени. Соответствующая статья " Ближайшая центроидная классификация на квантовом компьютере с захваченными ионами” появилась сегодня в виде препринта arXiv. Вы можете просмотреть статью по адресу: https://arxiv.org/abs/2012.04145.

В нашем эксперименте команды QC Ware и IonQ запустили алгоритм машинного обучения QC Ware для классификации на 11-кубитной системе IonQ. Мы преодолели то, что было непреодолимым препятствием в QML — загрузке классических данных в квантовые состояния помехоустойчивым способом, чтобы обеспечить эффективные и надежные приложения QML. Центральное место в успехе нашего эксперимента занимают собственная технология QC Ware Forge Data Loader ™ , которая оптимально преобразует классические данные в квантовые состояния, а также высококачественные, полностью связанные кубиты 11-кубитной системы IonQ.

Ниже мы обрисовали детали нашего эксперимента.

Детали эксперимента

Вызов

Загрузка классических данных в квантовые состояния помехоустойчивым способом позволяет создавать эффективные и надежные приложения QML.

Большинство научных работ академических кругов, правительства и промышленности предполагают наличие квантовой оперативной памяти (QRAM), квантового эквивалента классической оперативной памяти, для загрузки данных на квантовые компьютеры. Однако очень немногие исследователи и поставщики работали над QRAM, и несколько предложений вокруг него связаны с очень значительными требованиями к оборудованию в количестве кубитов и глубине схемы. Технология Forge Data Loader обеспечивает мощную и краткосрочную альтернативу QRAM.

В приведенной ниже таблице показано, что требуется для загрузки точек данных с тысячью объектов в каждой. По сравнению с загрузчиками данных Forge традиционные подходы непрактичны, поскольку они требуют аппаратной технологии, которая еще не существует (аппаратное обеспечение QRAM), или невозможного количества кубитов и/или глубоких схем (Мультиплексор и схема, вдохновленная QRAM). Оптимизированный загрузчик данных Forge может загружать такие точки данных всего 100 кубитами и глубиной схемы 100.

Решение

• В ходе эксперимента был развернут загрузчик Forge Data Loader, который оптимально преобразует классические данные в квантовые состояния, чтобы их можно было легко использовать в приложениях машинного обучения.
• Алгоритм квантового машинного обучения QC Ware для классификации, называемый Квантовым алгоритмом ближайшего центроида, был выполнен на 11-кубитной системе IonQ.
• В эксперименте использовался, среди прочего, набор данных MNIST, который включает изображения рукописных одиночных цифр от 0 до 9. Алгоритм наблюдал изображения и определял, что видит цифры от 0 до 9, соответствующие точности соответствующего классического алгоритма.

Результаты по сравнению с классическими алгоритмами машинного обучения, работающими на классическом оборудовании

• Высокий уровень точности: Квантовый алгоритм QC Ware, работающий на оборудовании IonQ, выполнялся на том же уровне, что и соответствующий классический алгоритм, идентифицируя правильные цифры в среднем 8 раз из 10, то есть столько же раз, сколько и классический алгоритм, работающий на классическом оборудовании. Это можно увидеть ниже на классических и квантовых графиках путаницы для наборов данных MNIST. Это первый случай, когда задача классификации с 10 классами была выполнена на квантовом компьютере.

Графики путаницы MNIST для классических (вверху) и квантовых (внизу) Классификатор

Более быстрая и лучшая обработка: Квантовый подход (квантовый алгоритм и квантовое оборудование) занимает меньше шагов, переводя на меньшее время, чтобы завершить вычисление, в частности, оценку расстояния между точками данных в логарифмических шагах. Например, для точек данных с 1024 признаками квантовая схема имеет только глубину 20, то есть квантовый алгоритм занимает 20 шагов, в то время как классическая оценка расстояния занимает 1024 шага. Кроме того, то, что квантовый алгоритм требует всего 20 шагов, является четким указанием на то, что алгоритм может терпеть кубиты с гораздо более высоким уровнем шума по сравнению с другими предложениями для загрузки классических данных. Они демонстрируют потенциал QML для достижения лучшей и более быстрой обработки естественного языка, прогнозирования поведения клиентов и обнаружения мошенничества.

Масштабируемость: Статья включает теоретические аргументы, которые показывают, что точность алгоритма, как ожидается, будет сохраняться по мере увеличения размера задачи без необходимости исправления ошибок кубитов. Это контрастирует со многими демонстрациями квантового машинного обучения на нескольких кубитах, которые не имеют гарантий производительности в масштабе реальных квантовых компьютеров. С 99,9-процентной точностью двухкубитного затвора новейшей 32-кубитной системы IonQ мы рассчитываем превзойти классические алгоритмы машинного обучения, используя методы, основанные на этих результатах.

Влияние на отрасль

Мы предвидим, что наш совместный эксперимент с IonQ окажет следующее потенциальное влияние на отрасль:

Открывает путь для различных приложений квантового машинного обучения, включая обработку естественного языка, принятие решений, рекомендации клиентов и обнаружение мошенничества
Ускоряет отраслевые сроки практического применения QML на ближайших квантовых компьютерах
Показывает потенциал грядущего поколения квантовых машин превзойти классические компьютеры

Источник: medium.com

Комментарии: