Quantum CNN mempunyai ketepatan ujian yang tinggi pada set data, tetapi mempunyai had

Dalam Hadiah Nobel 2022 yang diumumkan pada 4 Oktober, tiga saintis, Alain Aspect, John F. Clause dan Anton Zeilinger, memenangi anugerah fizik untuk keterikatan kuantum, menarik perhatian dunia luar kepada bidang penyelidikan kuantum dan perbincangan.

Antaranya, pelaburan penyelidikan yang diwakili oleh pengkomputeran kuantum telah meningkat dengan ketara sejak beberapa tahun kebelakangan ini Orang ramai telah mula meneroka menggunakan kaedah kuantum untuk menumbangkan teknologi sedia ada dalam bidang seperti keselamatan dan komunikasi rangkaian teknik pengkomputeran.

Sesetengah penyelidik percaya bahawa teras pengkomputeran kuantum terletak pada "penyelesaian masalah klasik melalui teknologi kos pengiraan yang lebih rendah Dengan perkembangan selari pembelajaran mendalam dan penyelidikan pengkomputeran kuantum dalam beberapa tahun kebelakangan ini, Ramai penyelidik juga telah mula memberi perhatian kepada persimpangan kedua-dua bidang ini: pembelajaran mendalam kuantum.

Baru-baru ini, Holly Emblem, Ketua Wawasan di Xbox Game Studio Rare, membincangkan keadaan semasa pembelajaran mendalam kuantum dalam artikel baharu "Pembelajaran Dalam Kuantum: Panduan Ringkas untuk Neural Konvolusi Kuantum Rangkaian" Penyelidikan dan aplikasi diperkenalkan, dengan fokus pada kelebihan dan batasan rangkaian neural convolutional kuantum (QCNN) berbanding dengan kaedah pengkomputeran klasik.

1 Perbezaan antara pengkomputeran klasik dan pengkomputeran kuantum

Mula-mula memperkenalkan konsep penting tentang perbezaan antara pengkomputeran klasik dan pengkomputeran kuantum. Apabila program dilaksanakan pada komputer klasik, pengkompil menukar penyataan program kepada bit binari, tidak seperti komputer klasik di mana bit mewakili sama ada 1 atau 0 pada bila-bila masa, qubit boleh berada dalam mana-mana keadaan "Hovering " antara keadaan, hanya apabila ia diukur, qubit runtuh kepada salah satu daripada dua keadaan asasnya, 1 atau 0.

Sifat ini dipanggil superposisi dan memainkan peranan penting dalam tugas pengkomputeran kuantum. Melalui superposisi, komputer kuantum boleh melaksanakan tugas secara selari tanpa memerlukan seni bina selari sepenuhnya atau GPU untuk melaksanakannya. Sebabnya ialah apabila setiap keadaan tindanan sepadan dengan nilai yang berbeza, jika operasi dilakukan pada keadaan tindanan, operasi dilakukan pada semua keadaan pada masa yang sama.

Berikut ialah contoh superposisi keadaan kuantum:

Superposisi keadaan kuantum adalah eksponen, a dan b merujuk kepada amplitud kebarangkalian , yang memberikan memberikan kebarangkalian untuk mengunjur ke keadaan sebaik sahaja pengukuran dilakukan. Antaranya, keadaan kuantum superposisi dicipta dengan menggunakan get logik kuantum.

Kapsyen: Komputer kuantum IQM Ragsxl di Espoo, Finland

2 Keterikatan dan keadaan Loceng

Superposisi sangat penting dalam fizik kuantum, dan satu lagi prinsip utama ialah keterikatan.

Keterikatan merujuk kepada tingkah laku yang mencipta atau menyebabkan interaksi antara dua atau lebih zarah dalam beberapa cara, yang bermaksud bahawa keadaan kuantum zarah ini tidak lagi boleh bertindak secara bebas antara satu sama lain , walaupun dari jauh. Apabila zarah terjerat, jika satu zarah diukur, zarah lain yang terikat dengannya akan segera diukur sebagai keadaan yang bertentangan (zarah ini tidak mempunyai keadaan setempat).

Apabila pemahaman qubit dan keterjeratan berkembang, keadaan Bell dibincangkan Berikut menunjukkan keadaan terjerat maksimum qubit:

|00. → β → 1 √ 2 (|00　 + |11　) = |β00　,

|01　 → β → 1 √ 2 (|01　+ |10　) = |β🎜

|10　 → β → 1 √ 2 (|00　 - |11　) = |β10　

|11　 → β → 1 √ 2 - |10　) = |β11　

Gunakan litar kuantum untuk mencipta keadaan Loceng:

Ilustrasi: Litar keadaan loceng di Kuil Pengkomputeran Kuantum Perry

Dalam litar keadaan Bell yang ditunjukkan, ia memerlukan input qubit dan menggunakan get Hadamard dan get CNOT untuk mencipta keadaan Bell terjerat.

Pada masa ini, keadaan Bell telah digunakan untuk membangunkan satu siri aplikasi pengkomputeran kuantum antaranya, Hegazy, Bahaa-Eldin dan Dakroury mencadangkan agar keadaan Bell dan pengekodan ultra-padat boleh digunakan; untuk mencapai teori " "Keselamatan Tanpa Syarat".

3 Rangkaian Neural Konvolusi dan Rangkaian Neural Konvolusi Kuantum

François Chollet menegaskan dalam pembelajaran mendalam Python bahawa Rangkaian Neural Konvolusi (CNN) ) adalah popular dalam tugas seperti klasifikasi imej kerana keupayaan mereka untuk membina hierarki corak, seperti mewakili garisan dahulu dan kemudian tepi garisan tersebut. Ini membolehkan CNN membina maklumat antara lapisan dan mewakili data Visual yang kompleks.

CNN mempunyai lapisan konvolusi, terdiri daripada penapis yang "meluncur" melalui input dan menghasilkan "peta ciri" yang membolehkan pengesanan corak dalam input. Pada masa yang sama, CNN boleh menggunakan lapisan pengumpulan untuk mengurangkan saiz peta ciri, dengan itu mengurangkan sumber yang diperlukan untuk pembelajaran.

Kapsyen: Rangkaian saraf konvolusi yang ditunjukkan oleh Cecbur

Definisi Selepas pemahaman CNN klasik, kita boleh meneroka cara CNN kuantum (Rangkaian Neural Konvolusi Kuantum, QCNN) menggunakan kaedah tradisional ini dan memanjangkannya.

Garg dan Ramakrishnan percaya bahawa pendekatan biasa untuk membangunkan rangkaian neural kuantum adalah untuk membangunkan pendekatan "hibrid" yang memperkenalkan apa yang dipanggil "lapisan konvolusi kuantum," yang merupakan Transformasi berdasarkan stokastik litar kuantum muncul sebagai komponen tambahan dalam CNN klasik.

Berikut menunjukkan QCNN hibrid yang dibangunkan oleh penyelidik seperti Yanxuan Lü dan diuji pada set data digit tulisan tangan MNIST:

Penyelidikan Dalam kertas "Rangkaian Neural Konvolusi Kuantum untuk Klasifikasi Imej," para penyelidik menggunakan litar kuantum dan jalinan sebagai sebahagian daripada model klasik untuk mendapatkan imej input dan menjana ramalan sebagai output.

Dalam kaedah ini, QCNN mengambil data imej sebagai input dan mengekodkannya ke dalam keadaan kuantum |x> dan kemudian menggunakan lilitan kuantum dan lapisan penyatuan untuk mengubahnya untuk mengekstrak ciri-ciri; akhirnya, lapisan litar terikat kuat yang bersambung sepenuhnya digunakan untuk pengelasan, dan ramalan diperoleh melalui pengukuran.

di mana pengoptimuman dikendalikan melalui penurunan kecerunan stokastik (SGD), yang boleh digunakan untuk mengurangkan perbezaan antara label data latihan dan label ramalan QCNN. Memfokuskan pada litar kuantum, get yang digunakan dalam lapisan convolutional kuantum adalah seperti berikut, termasuk operator putaran dan get CNOT.

Ukur subset qubit dalam lapisan pengumpulan dan hasilnya akan menentukan sama ada untuk menggunakan get qubit tunggal pada bit bersebelahan:

Sepenuhnya lapisan bersambung terdiri daripada "gerbang qubit tunggal universal" dan get CNOT yang menjana keadaan terjerat Untuk membandingkan QCNN dengan kaedah lain, penyelidik menggunakan set data MNIST dengan simulasi QCNN. Mengikuti pendekatan biasa, kami mencipta set data latihan/ujian dan membangunkan QCNN yang terdiri daripada lapisan berikut:

• 2 lapisan konvolusi kuantum
• 2 lapisan pengumpulan kuantum
• 1 lapisan tersambung sepenuhnya kuantum

Pasangan QCNN Ketepatan set ujian set data mencapai 96.65%, dan selepas menguji data daripada Papers with Code, skor ketepatan tertinggi set data dalam CNN klasik boleh mencapai 99.91%.

Perlu diambil perhatian bahawa hanya dua jenis set data MNIST diklasifikasikan dalam percubaan ini, yang bermaksud bahawa akan ada pengehadan dalam membandingkan prestasinya sepenuhnya dengan model MNIST yang lain.

4 Penilaian dan Ringkasan Kebolehlaksanaan

Walaupun penyelidik telah membangunkan kaedah dalam QCNN, isu utama dalam bidang pada masa ini ialah perkakasan yang diperlukan untuk melaksanakan model teori. wujud lagi. Selain itu, kaedah hibrid juga menghadapi cabaran dalam kaedah ujian yang secara serentak memperkenalkan lapisan evolusi kuantum ke dalam pengiraan CNN klasik.

Jika kita menganggap bahawa salah satu kelebihan pengkomputeran kuantum ialah ia boleh menyelesaikan "masalah klasik yang sukar diatasi dengan teknik pengiraan yang lebih murah", maka aspek penting dalam penyelesaian ini ialah Ia terletak pada " pecutan kuantum". Sesetengah penyelidik percaya bahawa kelebihan pembelajaran mesin kuantum berbanding dengan pelaksanaan klasik ialah algoritma kuantum dijangka mempunyai masa pecutan polinomial atau eksponen.

Walau bagaimanapun, had kaedah QCNN yang ditunjukkan di atas ialah apabila kita memerlukan algoritma (seperti QCNN) yang secara konsisten menyahkod/mengekodkan data dan ukuran klasik, "pecutan kuantum" "Keuntungan adalah terhad; dan pada masa ini, tidak banyak maklumat tentang cara mereka bentuk pengekodan/penyahkodan dan protokol terbaik yang memerlukan pengukuran minimum untuk mendapat manfaat daripada "pecutan kuantum."

Keterikatan telah terbukti menjadi sifat penting pembelajaran mesin kuantum Penyelidikan yang disebut dalam artikel ini mengenai QCNN menggunakan litar belitan yang kuat boleh menjana keadaan terjerat sebagai lapisannya yang bersambung sepenuhnya, menjadikan The. model mampu membuat ramalan. Bukan itu sahaja, jalinan juga digunakan untuk membantu model pembelajaran mendalam dalam bidang lain, seperti menggunakan jalinan untuk mengekstrak ciri penting daripada imej, dan menggunakan jalinan dalam set data mungkin bermakna model boleh belajar daripada set data latihan yang lebih kecil daripada yang dijangkakan sebelum ini .

Artikel ini menyediakan perbandingan kaedah pembelajaran mendalam klasik dan kaedah pembelajaran mendalam kuantum, dan membincangkan penggunaan lapisan kuantum (termasuk litar terikat kuat) untuk menjana QCNN yang diramalkan, menganalisis faedah pembelajaran mendalam kuantum dan batasan, dan memperkenalkan aplikasi keterjeratan yang lebih umum dalam pembelajaran mesin, yang juga bermakna kita boleh mula memikirkan langkah seterusnya pembelajaran mendalam kuantum, terutamanya penerapan QCNN dalam lebih banyak bidang. Di samping itu, perkakasan kuantum juga sentiasa bertambah baik, dan syarikat seperti PsiQuantum bahkan telah mencadangkan matlamat untuk membangunkan pemproses kuantum dengan satu juta qubit.

Memandangkan penyelidikan dalam bidang pembelajaran mendalam dan pengkomputeran kuantum berterusan, kita boleh mengharapkan untuk melihat perkembangan selanjutnya dalam pembelajaran mendalam kuantum.

Atas ialah kandungan terperinci Quantum CNN mempunyai ketepatan ujian yang tinggi pada set data, tetapi mempunyai had. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!