Открывая будущее: полная оценка производительности квантового и классического машинного обучения
Цель области исследований, известной как квантовый МО (QML) заключается в включении квантовых алгоритмов в машинное обучение инициативы. Он повышает производительность компьютера и качество хранения данных за счет использования возможностей квантовых вычислений и квантовой физики, часто сочетая как классическую, так и квантовую обработку.
В 1950-х и 1960-х годах распознавание образов было основой классический ML, который содержит дополнительные данные. Эти алгоритмы широко используются и основаны на вероятностных рассуждениях и статистике. Традиционное машинное обучение больше полагается на человеческий вклад и обычно требует более организованных данных.
В теме представлен анализ преимуществ и недостатков использования квантовых компьютеров и алгоритмов для задач машинного обучения, включая классификацию, регрессию, кластеризацию и генеративное моделирование. Квантовый и классический МО: А Оценка эффективности. Целью развивающейся дисциплины квантового машинного обучения (QML) является повышение выразительности и эффективности моделей машинного обучения за счет использования квантовых явлений, таких как суперпозиция, запутанность и т. д. По сравнению с традиционными моделями машинного обучения (CML), QML может быть быстрее, использовать меньше памяти и иметь лучшую точность. Шум, масштабируемость, сложность, аппаратные ограничения и шум — вот некоторые из основных проблем, которые QML должен преодолеть.
Эффективность моделей QML и CML оценивалась в нескольких исследованиях с использованием ряда наборов данных и приложений, включая обработку естественного языка, физику, химию и финансы. Сравнение зависит от нескольких аспектов, включая количество и сложность данных, количество параметров, выбор квантовых вентилей, метод оптимизации и метрики оценки. В результате результаты не являются окончательными. Хотя некоторые модели QML продемонстрировали эквивалентную или худшую производительность, чем модели CML, при выполнении конкретных задач, некоторые показали более высокую производительность. Крайне важно определить оптимальные ситуации и подходы для реализации QML на практике, а также тщательно изучить компромиссы и ограничения моделей QML и CML.
Следующие ссылки могут предоставить вам дополнительную информацию по этому вопросу:
Машинное обучение: квантовое или классическое: Помимо обсуждения технологических достижений, параллелей и расхождений между исследованиями, проведенными в обеих областях, в этой статье дается обзор QML и CML. В нем также рассматриваются сложность и последние разработки различных методов QML, а также их применимость в различных отраслях.
Классические и квантовые модели в машинном обучении: Результаты финансового применения: часто используемая модель CML с ограниченными машинами Больцмана (RBM) сравнивается в этой работе с моделью QML квантовых схем Борновских машин (QCBM), которая была недавно представлена. Используя вероятностный аспект квантовой механики, QCBM решают те же сложные проблемы в генеративном моделировании без учителя. QCBM в большинстве случаев превосходят RBM, как показало исследование, в котором используются сценарии из вероятностного варианта проблемы оптимизации портфеля банковской отрасли.
Журнал физики с открытым доступом: Серия конференций: Используя набор данных о пациентах с раком молочной железы, это исследование оценивает эффективность трех моделей CML и четырех моделей QML по проблеме бинарной классификации. Используя общие показатели оценки, включая точность, точность, отзыв и F-показатель, статья демонстрирует, что модель QML со 100 эпохами, построенная на EfficientSU2, превзошла все другие модели.
Машинное обучение: квантовое или классическое – Academia.edu: В этой работе представлена QML-модель на основе квантового отжига для задачи коммивояжера (TSP). Используя набор данных из десяти городов, исследование показывает, что модели QML, такие как имитация отжига и эволюционные алгоритмы, более быстро и точно находят лучшее решение, чем модели CML.
