کوانتومی طبقه با طراحی کوانتومی هسته?

IMAGE

تصویر: یک مدار کوانتومی برای پیاده سازی غیر خطی هسته-بر اساس طبقه بندی دودویی. مشاهده بیشتر

اعتبار: KAIST

اطلاعات کوانتومی دانشمندان معرفی یک روش جدید برای یادگیری ماشین طبقه بندی در محاسبات کوانتومی. غیر خطی کوانتومی دانه در یک کوانتومی دودویی طبقه بندی ارائه بینش های جدید برای بهبود دقت کوانتومی ماشین یادگیری تلقی قادر به بهتر فعلی هوش مصنوعی فن آوری است.

تیم تحقیقاتی به رهبری پروفسور ژوئن-کو کوین Rhee از دانشکده مهندسی برق پیشنهاد کوانتومی طبقه بندی بر اساس کوانتومی وفاداری با استفاده از حالت اولیه و جایگزینی هادامارد طبقه بندی با تعویض و تست کنید. بر خلاف روش مرسوم این روش است که انتظار می رود به طور قابل توجهی افزایش طبقه بندی وظایف در هنگام آموزش مجموعه داده کوچک است با بهره برداری از این کوانتومی استفاده در پیدا کردن غیر خطی ویژگی های زیادی از ویژگی های فضای.

کوانتومی یادگیری ماشین دارای وعده به عنوان یکی از برنامه های کاربردی ضروری برای محاسبات کوانتومی. در یادگیری ماشین یک مشکل اساسی برای طیف گسترده ای از برنامه های کاربردی است که طبقه بندی یک کار مورد نیاز برای شناخت الگوهای موجود در برچسب آموزش داده ها به منظور اختصاص یک برچسب جدید قبلا نهان داده; و هسته ها بوده و ارزشمند طبقه بندی ابزار برای شناسایی غیر خطی روابط در داده های پیچیده.

اخیرا کرنل روش معرفی شده در کوانتوم یادگیری ماشین با موفقیت بزرگ است. توانایی کامپیوترهای کوانتومی به نحو احسن دسترسی و دستکاری داده ها در کوانتوم از ویژگی های فضای باز می توانید فرصت های کوانتومی تکنیک های به منظور ارتقاء های مختلف موجود روشهای یادگیری ماشین.

ایده طبقه بندی الگوریتم با یک غیر خطی هسته است که با توجه کوانتومی آزمون وزارت امور خارجه, پروتکل محاسبه وزن مجموع قدرت از fidelities از کوانتومی و اطلاعات کوانتومی موازی از طریق مبادله-تست مدار و پس از دو تک کيوبيت اندازه گیری (نگاه کنید به شکل 1). این نیاز به تنها یک عدد کوانتومی اطلاعات عملیات صرف نظر از اندازه از داده ها. به تازگی از این رویکرد نهفته است در این واقعیت است که برچسب آموزش داده می شود پر بسته بندی شده به یک کوانتومی و سپس نسبت به داده ها از آزمون.

این KAIST تیم با همکاری محققان دانشگاه KwaZulu-Natal (UKZN) در آفریقای جنوبی و داده های فیزیولوژی در آلمان است و بیشتر پیشرفته به سرعت در حال تحول میدان کوانتومی یادگیری ماشین با معرفی کوانتومی طبقه با طراحی کوانتومی دانه.

داده های ورودی است یا نمایندگی های کلاسیک داده ها از طریق یک کوانتومی از ویژگی های نقشه و یا ذاتی کوانتومی اطلاعات و طبقه بندی بر اساس تابع هسته که اقدامات نزدیکی آزمون داده ها به داده های آموزشی.

دکتر دانیل پارک در KAIST یکی از مولفان این پژوهش گفت که کوانتومی هسته می تواند متناسب سیستماتیک به دلخواه مجموع قدرت است که باعث می شود آن را بسیار عالی نامزد برای برنامه های کاربردی جهان واقعی.

استاد Rhee گفت که کوانتومی forking, یک تکنیک است که اختراع شد این تیم پیش از این باعث می شود آن را ممکن است برای شروع این پروتکل از ابتدا حتی وقتی تمام برچسب داده های آموزشی و داده ها از آزمون به طور مستقل کد گذاری جداگانه در qubits.

پروفسور فرانچسکو Petruccione از UKZN توضیح داد: “دولت وفاداری از دو کوانتومی متحده شامل خیالی بخش هایی از دامنه احتمال را قادر می سازد با استفاده از تمام کوانتومی ویژگی های فضا.”

برای نشان دادن سودمندی طبقه بندی پروتکل کارستن خالی از داده های فیزیولوژی اجرا طبقه بندی و مقایسه کلاسیک شبیه سازی با استفاده از پنج کيوبيت IBM کامپیوتر کوانتومی است که آزادانه در دسترس عموم کاربران از طریق سرویس ابری. “این یک نشانه امیدوار کننده که در این زمینه در حال پیشرفت است,” سفید اشاره کرد.

###

-در مورد KAIST

KAIST اولین و برترین علم و فناوری دانشگاه در کره جنوبی. KAIST تاسیس شد در سال 1971 توسط دولت کره به آموزش دانشمندان و مهندسان متعهد به صنعتی شدن و رشد اقتصادی در کره جنوبی.

از آن پس KAIST و آن 64,739 فارغ التحصیلان شده است دروازه ورود به پیشرفته علم و فن آوری و نوآوری و کارآفرینی است. KAIST به عنوان یکی از نوآورانه ترین دانشگاه ها با بیش از 10000 دانش آموزان ثبت نام شده در پنج دانشکده و هفت مدارس از جمله 1,039 دانشجویان خارجی از 90 کشور جهان است.

در پرتگاه از نیمه صدمین سالگرد 2021, KAIST همچنان به تلاش برای ساختن جهان بهتر از طریق پیگیری در آموزش و پژوهش و کارآفرینی و جهانی شدن است.

سلب مسئولیت: AAAS و EurekAlert! مسئول صحت اخبار منتشر شده به EurekAlert! با کمک موسسات و یا برای استفاده از هر گونه اطلاعات از طریق EurekAlert سیستم.

tinyurlis.gdclck.ruulvis.netshrtco.de