Circuit quantique pour la mise en œuvre de la classification binaire à noyau non linéaire. Crédit :KAIST
Les scientifiques de l'information quantique ont introduit une nouvelle méthode de classification par apprentissage automatique en informatique quantique. Les noyaux quantiques non linéaires dans un classificateur binaire quantique fournissent de nouvelles informations pour améliorer la précision de l'apprentissage automatique quantique, jugé capable de surpasser la technologie actuelle de l'IA.
L'équipe de recherche dirigée par le professeur June-Koo Kevin Rhee de la School of Electrical Engineering, a proposé un classificateur quantique basé sur la fidélité d'état quantique en utilisant un état initial différent et en remplaçant la classification d'Hadamard par un test d'échange. Contrairement à l'approche conventionnelle, cette méthode devrait améliorer considérablement les tâches de classification lorsque l'ensemble de données d'apprentissage est petit, en exploitant l'avantage quantique de trouver des caractéristiques non linéaires dans un grand espace de caractéristiques.
L'apprentissage automatique quantique est prometteur comme l'une des applications impératives de l'informatique quantique. En apprentissage automatique, un problème fondamental pour un large éventail d'applications est la classification, une tâche nécessaire pour reconnaître des modèles dans les données d'apprentissage étiquetées afin d'attribuer une étiquette à de nouveaux, des données inédites ; et la méthode du noyau a été un outil de classification inestimable pour identifier les relations non linéaires dans les données complexes.
Plus récemment, la méthode du noyau a été introduite dans l'apprentissage automatique quantique avec un grand succès. La capacité des ordinateurs quantiques à accéder et à manipuler efficacement les données dans l'espace des caractéristiques quantiques peut ouvrir des opportunités pour les techniques quantiques d'améliorer diverses méthodes d'apprentissage automatique existantes.
L'idée de l'algorithme de classification avec un noyau non linéaire est celle étant donné un état de test quantique, le protocole calcule la somme de puissance pondérée des fidélités des données quantiques en parallèle quantique via un circuit de test d'échange suivi de deux mesures à un seul qubit (voir Figure 1). Cela ne nécessite qu'un petit nombre d'opérations de données quantiques, quelle que soit la taille des données. La nouveauté de cette approche réside dans le fait que les données d'apprentissage étiquetées peuvent être densément emballées dans un état quantique, puis comparées aux données de test.
Crédit :KAIST
L'équipe KAIST, en collaboration avec des chercheurs de l'Université du KwaZulu-Natal (UKZN) en Afrique du Sud et de Data Cybernetics en Allemagne, a fait progresser le domaine en évolution rapide de l'apprentissage automatique quantique en introduisant des classificateurs quantiques avec des noyaux quantiques sur mesure.
Les données d'entrée sont soit représentées par des données classiques via une carte de caractéristiques quantiques, soit par des données quantiques intrinsèques, et la classification est basée sur la fonction noyau qui mesure la proximité des données de test avec les données d'apprentissage.
Dr Daniel Park chez KAIST, l'un des principaux auteurs de cette recherche, dit que le noyau quantique peut être adapté systématiquement à une somme de puissance arbitraire, ce qui en fait un excellent candidat pour les applications du monde réel.
Le professeur Rhee a dit que la bifurcation quantique, une technique qui a été inventée par l'équipe auparavant, permet de démarrer le protocole à partir de zéro, même lorsque toutes les données d'apprentissage étiquetées et les données de test sont codées indépendamment dans des qubits séparés.
Le professeur Francesco Petruccione de UKZN a expliqué, "La fidélité d'état de deux états quantiques inclut les parties imaginaires des amplitudes de probabilité, qui permet l'utilisation de l'espace complet des fonctionnalités quantiques."
Pour démontrer l'utilité du protocole de classification, Carsten Blank de Data Cybernetics a implémenté le classificateur et comparé des simulations classiques à l'aide de l'ordinateur quantique IBM à cinq qubits qui est librement disponible pour les utilisateurs publics via le service cloud. "C'est un signe prometteur que le domaine progresse, " Blanc noté.
