机器学习里程碑,两大初创黑马量子公司实验证明可在近期量子硬件上运行了

编  辑:王嘉雯    审 校:丁艳
QC Ware近日宣称实现了量子机器学习的一个重要里程碑,对于量子机器学习的实际应用,以及开发量子计算机方面,有重大意义。
在今年的Q2B20会议上,QC Ware国际部门的量子算法负责人Iordanis Kerenidis,和IonQ的高级量子应用研究科学家Sonika Johri一起,分享了他们近期实验合作的一些技术细节。
图1|Sonika Johri(左)Iordanis Kerenidis(右)(来源:Q2B20)

他们的实验证明了,在近期的量子计算机上,机器学习可以达到相同或更高级别的准确度。且在量子计算机上的运行速度,也比在经典计算机上快得多。

他们的演说题目为“Noise-Resilient Implementation of a Quantum Nearest Centroid Algorithm”,相关的论文题目为“Nearest Centroid Classification on a Trapped Ion Quantum Computer”[2]。

实验中,QC Ware和IonQ团队运行了机器学习算法,跨越了量子机器学习(Quantum Machine Learning, QML)中不可逾越的障碍:以抗噪的方式,将经典数据加载到量子态上,从而实现强大高效的QML应用。

实验成功的关键因素是QC Ware的Forge数据加载器[3]技术,连同IonQ的11个高质量、全连接的量子比特,以最佳形式将经典数据转换为量子态。下文是一些实验细节的概述。

实验细节

挑战

大多数来自学术界、工业界和政府的研究论文,都假定使用量子随机存取存储器(Quantum Random Access Memory,QRAM)将数据加载到量子计算机上。

但是,很少有研究人员或供应商从事QRAM的研究,而对于QRAM的量子比特数和电路深度方面,有较高的硬件要求。Forge数据加载器技术的出现,为QRAM提供了替代方案。

下表说明了加载具有一千个要素的数据点所需的条件。与Forge数据加载器相比,传统方法不切实际,因为其所需的硬件技术尚不存在,且所需量子比特的数量过多、电路深度过大。

而Forge优化数据加载器仅需100个量子比特、100深度电路,来加载此类数据点。

图2|QC Ware的Forge数据加载器对比表(来源:QC Ware)

解决方案

该实验部署了Forge数据加载器,以最佳形式将经典数据转换为量子态,便于在机器学习应用中使用。

QC Ware的量子机器学习分类算法,是用IonQ的11个量子比特系统来执行的,称为“量子最近质心算法(Quantum Nearest-Centroid Algorithm)”。

除此之外,实验还使用了MNIST手写数字图像集,由0到9的数字图像构成。该算法通过对图像的观察,确定其观察到的为0到9之间的数字,与相应经典算法的准确度相匹配。

图3|MNIST数据集(来源:InfoQ)

与经典计算的对比

在IonQ硬件上运行的QC Ware量子算法,与相应的经典算法在同一级别上运行,两者在识别正确数字中的概率是相同的。

可以在下面MNIST数据集的经典/量子混淆图中看到,而这是有史以来首次在量子计算机上执行10个类别的分类任务。

图3|MNIST数据集的经典(上)量子(下)混淆图

QC Ware量子算法还为量子计算提供了几个长期优势。首先,计算步骤、花费时间的减少,意味着处理得更快更好。

其次,团队表示这种算法是可扩展的。随着问题规模的增大,就算没有纠错量子比特,算法的精度应该会保持不变。

行业影响

QC Ware与IonQ的合作实验,将会对行业产生以下潜在影响:

1  为各种量子机器学习应用开辟了道路,包括自然语言处理、决策、客户建议和欺诈检测等

2  加速在量子计算机上执行量子机器学习的应用,并实现行业中的实用化

3  展示了下一代量子计算机超越经典计算机的潜力

引用:

[1]https://medium.com/qc-ware/qc-ware-and-ionq-experiment-demonstrates-machine-learning-algorithms-can-run-on-near-term-quantum-9d5cad178822

[2]https://arxiv.org/pdf/2012.04145.pdf

[3]https://forge.qcware.com/

- E-mail:support@qtumist.com

- Wechat:Qislab

声明:此文出于传递更多信息之目的。若有来源标注错误或侵权,请作者持权属证明与我们联系,我们及时更正、删除


延 伸 阅 读
01    IonQ官宣离子阱量子计算机路线图
02    量子计算与“云”共舞,2023年进入市场
03    量子计算机的新应用指日可待
04    量子机器学习实用化进程加速
05    量子纠缠,时空几何与机器学习
06    QCWare开展量子机器学习算法应用的解决
(0)

相关推荐