探索量子机器学习中数据的力量

0
4947
资源: //arxiv.org/pdf/2011.01938.pdf

量子计算机具有开发能力 量子机器学习 算法。这些算法可以为建模量子力学系统(例如分子,催化剂或高温超导体)获得更好的性能。由于经典计算机很难处理量子世界中指数演化状态的干扰,因此,量子计算机有望在量子起源的机器学习问题中占优势。的 量子优势 扩展到经典领域的机器学习问题,例如计算机视觉或自然语言处理。

TensorFlow图片
//blog.tensorflow.org/2020/11/characterizing-quantum-advantage-in.html

图1:经典计算机可以借助自然界中获得的数据(例如物理实验)更好地解决问题。但是,使用量子计算机可以解决更广泛的问题。

有关量子模型的一些问题’解决责任 在最近的这篇论文中 由Google Research和Caltech研究人员提供。它描述了数学框架的开发,以比较经典的建模方法(神经网络,基于树的模型等)和量子建模方法,以了解进行更准确预测时的潜在优势。此框架适用于两种类型的数据,即来自古典世界的数据(MNIST,产品评论等)和量子实验(化学反应等)。

广告 Coursera Plus标语,包含约翰·霍普金斯大学,谷歌和密歇根大学的课程,突出显示数据科学职业发展的内容

实验表明,通过从自然界中获得的物理实验中获取数据,包括探索新催化剂,超导体或药物的实验,经典ML 模型可能会获得训练数据以外的某种程度的概括。 

本文还包括对经典模型和量子模型进行适当预测所需的样本数量之间的定量比较。它还包含一种建设性的方法来生成特定经典模型难以学习的数据集。

TensorFlow学习图形
//blog.tensorflow.org/2020/11/characterizing-quantum-advantage-in.html

图2:显示了所有尝试的ML方法均失败的数据集之一,但量子方法未失败。在以下方面的帮助下检查了这些趋势 TensorFlow Quantum,量子ML的开源库。  

预计该框架和工具将允许TensorFlow社区探索需要量子计算机做出准确预测的数据集的前体。 

资源: //blog.tensorflow.org/2020/11/characterizing-quantum-advantage-in.html

纸: //arxiv.org/pdf/2011.01938.pdf

广告

发表评论

请输入您的评论!
请在这里输入您的名字

该网站使用Akismet减少垃圾邮件。 了解如何处理您的评论数据.