Квантовая классификаторов с учетом квантового ядра?

Квантовой информации, ученые внедрили новый метод машинного обучения классификации в квантовых вычислениях. Нелинейная квантовая ядер в квантовой двоичный классификатор предоставить новые идеи для повышения точности квантовых машинного обучения, как считается, способны превзойти нынешние технологии ИИ.

Исследовательская группа под руководством профессора июне-Ку Кевин Ри из школы электротехники, предложил квантовой классификатор на основе квантовое состояние верности с помощью начального состояния и замена классификации Адамара с тестового обмена. В отличие от традиционного подхода, этот метод, как ожидается, значительно повысит задачи классификации, когда обучающий набор данных небольшой, за счет использования квантовых преимущество в поиске нелинейных функций в большом признаковом пространстве.

Квантовое машинное обучение является перспективным, так как одна из необходимо приложений для квантовых вычислений. В машинного обучения, одна из основных проблем для широкого спектра применения является классификация, задачи, необходимые для распознавания образов в обозначенный подготовки данных для того, чтобы назначить метку новые, ранее не публиковавшиеся сведения; и ядра метод был бесценный классификация инструмента для выявления нелинейных связей в сложных данных.

Еще совсем недавно, метод ядра было введено в квантовой машинного обучения с большим успехом. Способность квантовых компьютеров для эффективного доступа и обработки данных в квантовом пространстве признаков может открыть возможности для квантовых методов для усовершенствования существующих методов машинного обучения.

Идея алгоритма классификации с нелинейным ядром является то, что дано квантовое состояние теста, протокола вычисляется взвешенная сумма силе преданности квантовой информации в квантовых параллельных через своп-проверка цепи сопровождении двух однокубитовых измерений. Для этого требуется лишь небольшое число квантовых операций с данными, независимо от размера данных. Новизна этого подхода заключается в том, что Меченый обучающих данных могут быть плотно упакованы в квантовое состояние, а затем сравнивается с тестовыми данными.

Команда KAIST, в сотрудничестве с исследователями из Университета Квазулу-Натал (UKZN) в Южной Африке и кибернетики данные в Германии, и дальнейшее развитие этой быстро развивающейся области квантовых машинного обучения путем введения квантовой классификаторов с учетом Квантовой Ядер.

Входные данные представлены классические данные через квантовый карте или внутренней квантовой сведения и классификация базируется на функции ядра, который измеряет близость тестовых данных для подготовки данных.

Доктор Даниэль парк в KAIST, один из ведущих авторов исследования, отметил, что квантовое ядро может быть систематически с учетом произвольной суммы мощности, что делает его отличным кандидатом для применения в современном мире.

Профессор Ри говорит, что квантовое расщепление, метод, который был изобретен группой ранее, дает возможность начать протокол с нуля, даже если все помечены данных для обучения и проверки данных независимо закодированных в отдельных кубитов.

Профессор Франческо Petruccione от UKZN пояснил, что «государство верности двух квантовых состояний включает в себя мнимой частей амплитуды вероятностей, которая позволяет использовать полный квантовая характеристика пространства».

Чтобы продемонстрировать полезность протокола классификации, пустой Карстен кибернетика данных, реализованные классификатором и по сравнению классические симуляторы через пять-кубит квантовый компьютер от IBM, который находится в свободном доступе для рядовых пользователей через облачный сервис. «Это обнадеживающий признак того, что поле идет,» пустой отмечено.

сделать разницу: спонсорские возможности