[ad_1]
Naukowcy Yongcheng Ding, Yue Ban, Mikel Sanz, Jose D. Martín-Guerrero i Xi Chen opracowali metodę o nazwie Quantum Active Learning (QAL) w celu poprawy wydajności kwantowego uczenia maszynowego. QAL szacuje niepewność danych kwantowych, aby wybrać najbardziej pouczające próbki do etykietowania, zmniejszając w ten sposób zapotrzebowanie na duże oznakowane zestawy treningowe. Zespół wykorzystał równoliczną kwantową sieć neuronową do uogólnienia mniejszej liczby danych z geometrycznymi priorami. Naukowcy odkryli, że QAL skutecznie trenuje model, osiągając wydajność porównywalną z w pełni oznakowanymi zestawami danych, etykietując mniej niż 7% próbek.
Quantum Active Learning: Nowe podejście do kwantowego uczenia maszynowego
Kwantowe uczenie maszynowe (QML) to rozwijająca się dziedzina, która łączy zasady mechaniki kwantowej z uczeniem maszynowym. Oferuje ona potencjał efektywnego uczenia się na podstawie danych zakodowanych w stanach kwantowych. Jednak szkolenie kwantowej sieci neuronowej (QNN) zazwyczaj wymaga znacznego oznakowanego zestawu treningowego, którego produkcja może być kosztowna i czasochłonna. Aby sprostać temu wyzwaniu, zespół naukowców zaproponował nowe podejście znane jako Quantum Active Learning (QAL).
QAL to metoda, która szacuje niepewność danych kwantowych w celu wybrania najbardziej pouczających próbek z puli do etykietowania. Podejście to ma na celu maksymalizację wiedzy zgromadzonej przez model QML, ponieważ zestaw treningowy obejmuje oznakowane próbki wybrane za pomocą strategii próbkowania. Co ważne, modele QML wyszkolone w ramach QAL nie są ograniczone do określonych typów, umożliwiając zwiększenie wydajności z perspektywy architektury modelu w kierunku uczenia się kilkukrotnego.
Naukowcy uznali symetrię za podstawową koncepcję w fizyce wszechobecną w różnych dziedzinach. Wykorzystali oni symetrię nieodłącznie związaną ze stanami kwantowymi indukowanymi przez osadzanie klasycznych danych do projektowania modeli. Zastosowali równoliczną QNN zdolną do uogólniania z mniejszej liczby danych z geometrycznymi priorami. Wydajność QAL została przetestowana na dwóch problemach klasyfikacyjnych, uzyskując zarówno pozytywne, jak i negatywne wyniki.
Quantum Active Learning: Wyniki
Naukowcy odkryli, że QAL skutecznie trenuje model, osiągając wydajność porównywalną do tej na w pełni oznakowanych zbiorach danych, etykietując mniej niż 7% próbek w puli z bezstronnym zachowaniem próbkowania. Zaobserwowano jednak również negatywny wynik QAL, który został wyprzedzony przez losowe próbkowanie bazowe. Zostało to wyjaśnione za pomocą różnych eksperymentów numerycznych.
Quantum Active Learning: Ramy teoretyczne
Ramy teoretyczne QAL opierają się na zasadach aktywnego uczenia się (AL) i kwantowej sieci neuronowej (QNN). AL działa w oparciu o hipotezę, że model uczenia maszynowego można skutecznie trenować przy użyciu tylko niewielkiego podzbioru próbek z większej puli nieoznakowanych danych. Te wybrane próbki powinny być wysoce reprezentatywne i pouczające, wnosząc znaczącą wiedzę, gdy są etykietowane przez adnotatorów.
Z drugiej strony, QNN jest sparametryzowaną jednostką mającą zastosowanie w urządzeniach kwantowych. Służy ona jako kamień węgielny QAL. W przypadku danych klasycznych składa się z jednostkowych ansatze z parametrami, które można trenować i koderów do ładowania danych, a następnie pomiarów obserwabli. QNN można również wykorzystać do analizy danych kwantowych reprezentowanych jako macierz gęstości z eksperymentów kwantowych.
Aktywne uczenie kwantowe: Przyszłe kierunki
Naukowcy uważają, że QAL jest obiecującym narzędziem do zmniejszenia całkowitych kosztów analizy wyników eksperymentów kwantowych i projektowania eksperymentów kwantowych za pomocą QML. Przyszłe badania mogą zbadać strategie QAL, które łagodzą tendencyjne zachowania próbkowania zilustrowane w tym badaniu.
Co więcej, intrygująca droga dla przyszłych badań wiąże się z zastosowaniem QAL do danych kwantowych, w szczególności danych generowanych z eksperymentów kwantowych. QAL może skutecznie współpracować z Geometric Quantum Machine Learning (GQML), ponieważ dane kwantowe zwykle posiadają symetrie etykiet zależne od zastosowanej metody klasyfikacji.
Wreszcie, integracja QAL z różnymi innymi modelami QML, takimi jak kwantowe maszyny wektorów nośnych, kwantowe konwolucyjne sieci neuronowe lub rekurencyjne kwantowe sieci neuronowe, może rozwiązać różne problemy z ograniczonymi próbkami. W przypadku zastosowań wymagających kilkukrotnego uczenia się, techniki meta-uczenia się mogą okazać się cenne poprzez optymalizację klasycznych parametrów w celu efektywnej inicjalizacji kwantowych sieci neuronowych.
[ad_2]