الأنفس جي تجميع جديد

قبل البشر لديهم جهاز كمبيوتر، والبشر يبحثون عن أنماط من البيانات. الملاحظات بطليموس المجرات سوف تتحرك في نموذج مركزية الأرض للكون، والتروس الكوكب مع نظريات علمية معقدة لشرح حركة إلى الوراء من الكواكب. في القرن السادس عشر، وتحليلها كوبرنيكوس وكبلر برايي البيانات، كشفت في وقت سابق مخفي لا يوجد نمط: كوكب إلى الشمس هو محور لحركة بيضاوي الشكل. وتكشف البيانات الفلكية لتحليل هذا النموذج، مما يولد تقنيات رياضية جديدة، على سبيل المثال، طريقة حل المعادلات الخطية (نيوتن - غاوس)، انخفض بنسبة التعلم التدرج الأمثل (نيوتن)، استيفاء حدودي (لاغرانج) والحد الأدنى تناسب المربعات (لابلاس). القرن التاسع عشر وأوائل القرن العشرين، وتنتج مجموعة واسعة من الأساليب الرياضية لتحليل البيانات، تكشف عن أنماط في البيانات التي يحتوي عليها.

منتصف القرن العشرين، وبناء الحاسوب الرقمي، مما يجعل تقنيات تحليل البيانات الأتمتة. في النصف قرن الماضي، والتطور السريع للقوة الحوسبة، مما يجعل العودة وتحليل المكون الرئيسي، والجبر الخطي، لا يمكن أن يتحقق تقنيات تحليل البيانات، ويؤدي إلى نهج أكثر تطورا في التعلم، مثل شعاع الدعم الآلي. وخلال نفس الفترة، وكان التطور السريع في الحواسيب الرقمية أيضا أساليب التعلم الجهاز الجديد. مع زيادة في القدرة الحاسوبية والشبكات العصبية الاصطناعية (مثل المستقبلات) الحصول على تنفيذها في الخمسينات، وعمق التعلم والتدريب الأساليب على الشبكات العصبية (مثل شبكة هوبفيلد وبولتزمان آلة) إنشاء (مثل الاتجاه المعاكس وقدم انتشار) وتنفيذها في 1960s إلى 1990s. في العقد الماضي، وخاصة في السنوات الخمس الماضية، والحواسيب القوية وتمكن مليارات الأوزان عمق شبكة المعلومات المعالج تحديدا بالتزامن مع بعضها البعض، وأنها تستخدم في مجموعة متنوعة من مجموعات البيانات الضخمة، وتكشف عن عمق هذه الشبكة قادرة على التعلم يحدد البيانات المعقدة وأنماط حساسة.

ومن المعروف جيدا لميكانيكا الكم المنتجات شاذة أنماط في البيانات. تعلم آلة الطرق التقليدية مثل الشبكات العصبية العميقة عموما لديها سمة: سعهم البيانات الإحصائية التعرف على الأنماط، ويولد البيانات التي لديها نفس النموذج الإحصائي، وبعبارة أخرى، فإنها قد التعرف على الأنماط وسيتم إنشاؤه. هذه الميزة تكشف أمل: إذا كان الكم صغير معالج المعلومات قد تولد نموذج إحصائي الكمبيوتر الكلاسيكية الصعب حسابيا لإنتاج، ثم المعالج الكم قد يكون من الصعب أيضا تحديد كمبيوتر الكلاسيكية النماذج الإحصائية التي تم تحديدها.

هذا الأمل لا يمكن أن يتحقق، وهذا يتوقف على ما إذا كان الجهاز يمكن أن تتعلم لإيجاد خوارزميات الكم فعالة. الكم الخوارزمية هي مجموعة من التعليمات التي يمكن تنفيذها على جهاز كمبيوتر الكم لحل المشكلة، على سبيل المثال، قد يكون الامر "FIG تحديد ما إذا كان اثنين متماثل." آلة الكم تعلم الأماكن البرنامج كجزء من أكبر خوارزميات الكم تنفيذها في مجال البرمجيات. من خلال تحليل الخطوات المطلوبة من قبل الخوارزميات الكم، فمن الواضح، على قضايا محددة معينة، فمن نسبة إلى خوارزمية الكلاسيكية لديه ميزة المحتملة أن تكون قادرة على خفض عدد من الخطوات. ويطلق على ميزة محتملة تسارع الكم.

يمكن أن يفهم مفهوم التسارع الكم من منظورين. إذا كنت تأخذ من منظور علم الحاسوب واستخدام رسمية، فإنه يمكن تسريع البرهان الرياضي المطلوبة. إذا منظور عملي، وهو ما يعادل لطرح هذا السؤال، ومحدودية حجم الجهاز يرتكز على الواقع ويمكن تسريع، وهذا يتطلب منا أن الأدلة الإحصائية أنه في بعض مجموعة محدودة من الأسئلة، مع ميزة خوارزميات الكم نطاق . لالكم تعلم الآلة، على النقيض من الخوارزميات التقليدية لتحقيق الأداء الأمثل وليس من المعروف دائما. هذا هو الحال بالنسبة لShor- الوقت متعدد الحدود خوارزمية الكم لتوكيل تجاري صحيح مشابه إلى حد ما: لم نعثر بعد على أن يكون أقل من خوارزمية الوقت الأسي الكلاسيكية، ولكنه لا يستبعد هذا الاحتمال.

لتحديد الجهاز الكم النسبية تعلم تعلم الآلة الكلاسيكية ما إذا كانت ميزة النطاق، وهذا يتوقف على واقع وجود جهاز كمبيوتر الكم، يعرف هذه المشكلة أيضا باسم قضية "القياسي". ويمكن أن تشمل الكم ميزة تعلم الآلة: تحسين دقة التصنيف، الأسلوب الكلاسيكي لأخذ العينات لا يمكن أن يدخل النظام. ولذلك، المثالية باستخدام اثنين من مؤشرات نظرية التعقيد والتعقيد الاستعلام وبوابة تعقيد الآلة الكم الحالية تعلم خصائص التسارع، لقياسها. الاستعلام قياس تعقيد عدد من الاستفسارات الكلاسيكية أو خوارزميات مصادر الكم من المعلومات. وإذا كان عدد من خوارزمية الاستفسارات الكم لحل مشكلة اللازمة لخفض من خوارزمية الكلاسيكية، وسوف تجلب تسارع الكم. لتحديد مدى تعقيد الباب، فمن الضروري الحصول على العدد المطلوب من حساب النتائج من العمليات الأساسية للالكم (أو البوابة).

معلومات الإطار 1: تسريع الكم

يستخدم الكمبيوتر الكم آثار التماسك الكم مثل التشابك ومعالجة المعلومات وغيرها، وهو جهاز كمبيوتر تقليدي لا تستطيع أن تفعل. خلال العقدين الماضيين، قد حققت تقدما كبيرا في بناء جهاز كمبيوتر الكم أكثر قوة. يتم تنفيذ الكم الخوارزمية على خطوة خطوة عملية من أجهزة الكمبيوتر الكم لحل المشاكل مثل البحث في قواعد البيانات وما شابه ذلك. يستخدم البرنامج الكم خوارزميات تعلم الآلة لمعالجة المعلومات الكم. في حل بعض المشاكل، يمكن الخوارزميات الكم يتفوق معظم خوارزميات الكلاسيكية الشهيرة من حيث المبدأ. وهذا ما يسمى الكم المتسارع.

على سبيل المثال، جهاز كمبيوتر الكم لا يمكن البحث قاعدة بيانات تصنيف جود إدخالات N، فإنه يأخذ يتناسب وقت لN، أي وجود (N) تعقيد O؛ النقيض من ذلك، يأخذ الكلاسيكي الكمبيوتر الصندوق الأسود للوصول إلى نفس قاعدة البيانات وقت يتناسب مع N. ولذلك، في هذا النوع من المشاكل، بالمقارنة مع جهاز كمبيوتر الكم الكمبيوتر الكلاسيكية، وتسارع الجذر التربيعي. وبالمثل، لا يمكن أن يؤديها جهاز كمبيوتر الكم على تحويل فورييه من نقاط البيانات N، N N متفرق انقلاب مصفوفة، وإيجاد القيم الذاتية والمتجهات الذاتية الخاصة بهم، وهذه العملية تستغرق وقتا طويلا وغير متناسبة مع N تسجيل 2، والذي يعرف الكلاسيكية يستهلك الكمبيوتر مرة وأفضل خوارزمية يتناسب مع Nlog 2 N. لذلك، أجهزة الكمبيوتر الكم مع خوارزمية أجهزة الكمبيوتر الكلاسيكية الأمثل، مقارنة مع مؤشر تسارعت في مثل هذه الأمور.

في الجدول التالي، وتسريع أم لا بالنسبة إلى خوارزمية الكلاسيكية. على سبيل المثال، O (N) يعني الجذر التربيعي للنسبية تسارع خوارزمية الكلاسيكية، O (سجل (N)) فيما يتعلق مؤشر تسارع متوسط خوارزمية الكلاسيكية.

الاستعلام التعقيد وبوابة التعقيد هو نموذج مثالي لقياس الموارد اللازمة لحل المشاكل. إذا كنت لا تعرف كيف يتم تعيين هذين نموذج مثالي للعالم الحقيقي، لا يمكننا تقدير الموارد اللازمة لسيناريوهات العالم الحقيقي مع هذين النموذجين. ولذلك، فإن الكلاسيكية خوارزمية تعلم الآلة أساسا لتحديد الموارد المطلوبة من خلال التجارب العددية. قد تكون الموارد خوارزميات تعلم الآلة متطلبات الكم الصعب أيضا تحديد من الناحية العملية. وتحليل الجدوى الفعلية من خوارزميات تعلم الآلة الكم يكون الموضوع الرئيسي لهذا الاستعراض.

سوف نرى من خلال هذه المقالة، يظهر خوارزمية التعلم الآلي مقدار التسارع الكم. على سبيل المثال، بعض الكم الخطية إلى حد كبير الروتينية الجبر (بلاس) - تحويل فورييه للعثور على القيم الذاتية والمتجهات الذاتية، حل المعادلات الخطية - وعلى الأخص أثبتت خوارزميات نظيرتها الكلاسيكية تسارع بالمقارنة مع مؤشر الكم. هذا الكم الروتينية الجبر الخطي إلى حد كبير (qBLAS) يمكن تحويله تسارع إلى مجموعة متنوعة من تحليل البيانات وآلة التعلم خوارزميات تسريع الكم، بما في ذلك الجبر الخطي، والمربعات الصغرى تناسب أصل التدرج، طريقة نيوتن، تحليل المكونات الرئيسية، وخطي، شبه برمجة والنوعية من الدرجة الثانية، وتحليل طوبولوجيا وآلة الدعم الموجه. في نفس الوقت، مثل برمجة الكم الصلب بصريات الكم والمعلومات الكم صفائف المعالج وأخرى خاصة الهندسة المعمارية التعلم العميق هو مباراة جيدة جدا. على الرغم من أنه من غير الواضح مدى هذه الإمكانات لا يمكن أن تتحقق، ولكن لدينا سبب للاعتقاد بأن جهاز كمبيوتر الكم يمكن تحديد لا يتعرف الكمبيوتر الكلاسيكية في وضع البيانات.

نحن نعتبر تعلم آلة يمكن أن تكون كلاسيكية ويمكن أن يكون الكم. تحليل البيانات منها يمكن الحصول الدول الكم إما الكم الاستشعار عن بعد، يمكن الحصول الدولة الكلاسيكية للجهاز أو قياس. سنناقش باختصار تعلم الآلة التقليدية، وهي استخدام جهاز كمبيوتر الكلاسيكي للعثور على أنماط الكلاسيكية في البيانات. ثم، ننتقل إلى تعلم الكمبيوتر الكم. قد يكون تحليل البيانات والبيانات الكلاسيكي الكمبيوتر الكم، التي المشفرة في نهاية المطاف البيانات أو الدول الكم الكم. وأخيرا، ونحن نناقش بإيجاز استخدام تقنيات التعلم الآلي الكلاسيكية إلى إيجاد أنماط في عملية ديناميكية الكم.

تعلم الآلة الكلاسيكية

ويمكن تقسيم آلة التعلم الكلاسيكية وتحليل البيانات إلى عدة فئات. أولا، يمكن استخدام الكمبيوتر لطريقة تحليل البيانات لأداء "الكلاسيكية"، مثل المربعات الصغرى الانحدار، استيفاء حدودي وتحليل البيانات. قد يكون الجهاز اتفاق التعلم تحت إشراف أو غير خاضعة للرقابة. في التعلم تحت إشراف، وينقسم بيانات التدريب إلى عدد وافر من فئات المسمى، على سبيل المثال بخط اليد يتم تصنيف العينات الرقمية وفقا لأرقام ملحوظ آلة تعمل ممثلة تعلم كيفية البيانات لتعيين مجموعة تسمية أخرى من مجموعة التدريب. في التعلم غير خاضعة للرقابة، لم يتم وضع علامة مجموعة التدريب، هدف الجهاز هو العثور على فئات الطبيعية (على سبيل المثال، وأنواع مختلفة من الصور على شبكة الإنترنت) بيانات التدريب تنتمي، ومن ثم البيانات خارج تصنيف مجموعة التدريب. وأخيرا، بعض المهام مثل العودة AI، التي تنطوي على مزيج من التعلم تحت إشراف والتعلم غير خاضعة للرقابة، وسيتم استخدام مجموعة التدريب التي تنتجها الآلة نفسها للتعلم الآلة.

آلة الكم تعلم الجبر الخطي

يتم تنفيذ عملية مصفوفة على ناقلات في الفضاء العالي الأبعاد ناقلات، يمكن أن تعمل على مجموعة متنوعة من تحليل البيانات وبروتوكول تعلم الآلة. ميكانيكا الكم وجيدة هو بالضبط عملية مصفوفة على ناقلات الفضاء ناقلات الأبعاد عالية.

العامل الرئيسي في هذه الأساليب نعم، ن و qubit الدولة الكم من و qubit أو متجه من 2 ^ ن الأبعاد الفضاء ناقلات معقدة، أداء العمليات المنطقية أو قياسات و qubit الكم، يتم ضرب متجه الحالة من 2 المقابلة ^ ن 2 ^ ن المصفوفات. من خلال بناء مثل هذا التحول مصفوفة، وقد ثبت جهاز كمبيوتر الكم لأداء مشترك الجبر الخطي العمليات، مثل تحويل فورييه، لإيجاد القيم الذاتية والمتجهات الذاتية، وحل المعادلات الخطية 2 ^ ن الأبعاد الفضاء ناقلات في الوقت المناسب، فقط الحاجة متعدد الحدود لقضاء بعض الوقت ن ه الموافق خوارزمية الكلاسيكية بالمقارنة مع سرعة هائلة. الأسلوب الأخير ويشار عادة HarrowHassidim لويد (HHL) خوارزمية (انظر المعلومات الإطار 2). النسخة الأصلية من هذه الخوارزمية يفترض أن مصفوفة wellconditioned متناثر. في البيانات العلمية، وندرة غير مرجح. تحسينات لاحقة للاسترخاء هذا الافتراض، بحيث يمكن أن تحتوي أيضا على النظام أقل المصفوفة. هنا، عن طريق إدخال HHL الخوارزمية، وسنتطرق إلى تطوير خوارزميات الكم، سيتم استخدام الحوسبة الكم باعتباره الاستخدامات روتين الجبر الخطي تكنولوجيا البرمجيات التعليمية.

معلومات الإطار 2: HHL خوارزمية

HHL خوارزمية انعكاس لنظام من المعادلات هي الأساسية، من السهل أن نفهم روتين، الذي هو أساس العديد من خوارزميات تعلم الآلة الكم. محاولات خوارزمية لحل أ س = ب مع جهاز كمبيوتر الكم. HHL متجه ب أعربت C ^ N log2N كدولتين الكم على و qubit | B > ، ممثلة كناقل س | خ > ، ذلك أن مشكلة تكميم. يمكن أن ينظر إليه مصفوفة باعتباره المترافقة الهرميتية، التي لا تفقد عمومية، لأنه من الممكن دائما من خلال توسيع مساحة ناقلات يجعل هذا صحيح. صيغة A | X > = | B >  ويمكن الحصول عليها عن طريق ضرب جانبي المعادلة إلى حل لA ^ -1، حيث A ^ -1 هو معكوس A. ثم، HHL خوارزمية يسمح التكوين و A ^ -1 | ب >  ومن النسبي للدولة الكم. أكثر عموما، عندما وليس مصفوفة مربعة أو القيم الذاتية الصفر، ويمكن استخدامها خوارزمية أيضا للعثور | A | X > - | ب > | التقليل من دولة | س > .

وتعمل الخوارزمية على النحو التالي. يفترض، التي | أون > A متجه الميزة، مع قيمة الميزة n . وتقدير مرحلة زاوية من و qubit دوران جيب الزاوية القوسي ( / n) تطبيق uncomputing في تقدير مرحلة [امدا] يحسب N، والثانوية، وسوف تحصل:

إذا كان و qubit مساعدة القياس، وإذا لاحظ 1، ثم يتم تقسيم كل منها إلى eigenstates [امدا] N، مما يؤثر على عملية انقلاب. بعد التضخيم باستخدام السعة والتردد والدولة مستعدة لتطبيق الناجح للدائرة هو مطلوب، وهو بالضبط عدد من حالة المصفوفة.

HHL خوارزمية O الخطوات التي يمكن أن يكون الناتج | س > ، بالمقارنة مع استخدام أجهزة الكمبيوتر الكلاسيكية الأكثر شهرة الطريقة يتطلب O (NlogN) الخطوات.

HHL خوارزمية هناك العديد من الاعتبارات الهامة. أولا، الدولة الكم | س > الحاجة لإيجاد ناقلات كامل س O (N) خطوات لإعادة بناء N س المكون. مثل المعمم المربعات الصغرى تناسب طريقة طريقة HHL لتجنب هذه المشكلة من خلال السماح للانتاج وجود البعد أقل من المدخلات. لكن، بشكل عام، وهي جزء من HHL توفر سوى خصائص البيانات، على سبيل المثال، لحظات حل ناقلات (لحظة) أو القيمة المطلوبة أخرى مصفوفة لها متفرق. ثانيا، ضرورة الحصول على ناقلات المدخلات على جهاز كمبيوتر الكم، أو استخدامها لإعداد القرام، والتي يمكن أن تكون مكلفة. ثالثا، المصفوفة يجب أن تكون مشروطة بشكل جيد، ويجب أن تكون قادرة على محاكاة بشكل فعال-الضبط التلقائي الذكي iA ه. وأخيرا، على الرغم من أن نطاق HHL الخوارزمية O ، لكن الصفقة خوارزمية تقدير التكاليف مع المشاكل العملية لا تزال باهظة، وهو ما يعني زيادة تحسين أهمية البحث. بشكل عام، لا ينبغي أن يكون مؤشر كثيرا ان نتوقع التزام لتسريع النظام الخطي، وينبغي أن تعترف أنها لا تنطبق إلا على بعض القضايا.

الكم تحليل المكون الرئيسي

على سبيل المثال، والنظر في تحليل المكون الرئيسي (PCA). افترضنا أن البيانات المقدمة في الفضاء ناقلات د الأبعاد لتشكيل ي ناقلات الخامس، حيث d = 2 ^ ن = ن. على سبيل المثال، قد يكون ضد ي ي سوق الأوراق المالية من وقت لآخر ر ناقلات ر ي +1 جميع تحركات أسعار الأسهم. التغاير مصفوفة البيانات هي

، أين يمثل مرتفع T عملية تبديل. يلخص التغاير مصفوفة الارتباط بين مكونات مختلفة من البيانات، مثل العلاقة بين التغيرات في أسعار الأسهم المختلفة. في أبسط صوره، وتحليل الرئيسي المكون مصفوفة تغاير diagonalization

حيث c_k C هو متجه الميزة، القيمة الذاتية المقابلة هو E_k. (منذ C هو متماثل شكل بالمتجه الذاتي c_k مجموعة متعامد). إذا سوى عدد قليل من القيم الذاتية c_k كبيرة، والآخر هو صغيرة أو الصفر، ثم بالمتجه الذاتي المقابلة لهذه النواقل ميزة تسمى C. كل ممثل رئيسي مكون بيانات مشتركة الاتجاه ذات الصلة أو أشكال ذات الصلة، والمكون الرئيسي لناقلات البيانات متحللة V = النموذج، مما يسمح للبيانات مضغوط يمثل، والتنبؤ بالسلوك المستقبلي. من حيث التعقيد والتعقيد الحسابي الاستفسارات، لأداء الكلاسيكية PCA الخوارزمية التعقيد هو O (د ^ 2).

الكلاسيكية عنصر الكم الرئيسي لتحليل البيانات، نختار عشوائيا ي ناقلات البيانات الخامس، وذلك باستخدام ذاكرة وصول عشوائي الكم (القرام)، لتعيين متجه الحالة الكم:

. يلخص متجه الحالة الكم وجود سجل د المكدسة، وعملية تقسيم القرام تتطلب O (د) N العمليات في O (logd) الخطوة قد يتم تنفيذها بشكل متواز. منذ الخامس ي يتم اختيار عشوائيا الدول الكم مع مصفوفة الكثافة الناتجة، حيث N هو عدد ناقلات البيانات. وبالمقارنة مع مصفوفة تغاير C البيانات الكلاسيكية، ونحن نرى أن النسخة الكم من مصفوفة كثافة البيانات هو في الواقع التغاير المصفوفة. من خلال تكرار البيانات أخذ العينات، واستخدام مصفوفة كثافة تسمى تقنيات الأسي، جنبا إلى جنب خوارزمية الكم مرحلة تقدير يمكن العثور على المتجهات الذاتية والقيم الذاتية للمصفوفة، نسخة الكم يمكننا اتخاذ أي ناقل البيانات | V > وكسر في المكون الرئيسي | c_k > ، كما كشف مميزة قيمة C، ثم وفقا لطبيعة الكم من تمثيل ناقلات سمة من سمات C يتم قياس للكشف عن المكون الرئيسي للC. خوارزميات الكم هي الحسابية O التعقيد والاستعلام حيث التعقيد . وبعبارة أخرى، الكم PCA هو أكثر كفاءة من مؤشر PCA التقليدية.

الكم طريقة ونواة SVM

وأبسط مثال على أشرف خوارزمية تعلم الآلة هو الخطية دعم آلة ناقلات والاستشعار. هذه الأساليب تسعى إلى إيجاد الأمثل فصل الفائق بين هذين النوعين من البيانات في مجموعة البيانات. وهكذا، وجميع البيانات أمثلة تدريبية مماثلة في نفس الجانب من الفائق. عندما تعظيم هامش بين الطائرة السوبر والبيانات ويمكن الحصول على المصنف أقوى. هنا المعلمات الفائق من مدرسة للتدريب على "الوزن". واحدة من أكبر مزايا SVM هو أنه تعميمها hypersurface غير الخطية من قبل النواة. حققت هذا التصنيف وتقسيم الصورة في العلوم البيولوجية نجاحا كبيرا.

مثل طريقة كلاسيكية في المقابل، الكم SVM هو مثال جيد على جهاز الكم خوارزميات التعلم. ويناقش أول SVM الكم في 2000s في وقت مبكر، وذلك باستخدام وظيفة البحث جروفر الحد. البحث ناقلات بدعم من ناقلات N المطلوبة التكرار. في الآونة الأخيرة، وتطوير الكم المربعات باستخدام كافة وظائف SVM qBLAS روتين. إدخال البيانات قد تأتي من مصادر مختلفة، على سبيل المثال من الوصول إلى البيانات القرام الكلاسيكية، التي يجري إعدادها أو الحصول عليها من الكم روتين الدولة الكم. وبمجرد أن البيانات التي يمكن أن تستخدم في جهاز الحوسبة الكمومية، واستخدام مرحلة الكم تقدير مصفوفة انعكاس (HHL خوارزمية) للمعالجة. من حيث المبدأ، ويقع الأمثل فصل الفائق بناء واختبار ناقلات في نفس الجانب من جميع العمليات يمكن أن يؤديها في وقت متعدد الحدود في سجل N، حيث N هو البعد من مصفوفة لإعداد الفائق للإصدار متجه من الكم. مناقشة الأبحاث السابقة أيضا متعدد الحدود، شعاعي وظيفة أساس النواة، وأسلوب قائم على نواة دعا جاوس الانحدار العملية. وقد استخدمت هذه الطريقة للحصول على دعم الكم آلة الاعتراف بخط اليد مهمة الأرقام اختبار NMR، وأثبت.

وبناء على qBLAS الأمثل

العديد من تحليل البيانات وتقنية التعلم الآلي ويشمل الأمثل. الاهتمام المتزايد هو استخدام معالج D-الموجة لحل الصلب الأمثل مشكلة الكم. قد توضع بعض المشاكل الأمثل كحلول singleshot النظام الخطي، على سبيل المثال، إلى أقصى حد بواسطة الدالة التربيعية من القيود المساواة، والمشكلة هي مجموعة فرعية من مشكلة البرمجة التربيعية. إذا كانت المصفوفة متفرق أو منخفضة وفقا للرتبة، ويمكن حل هذه المشكلة في الوقت متعدد الحدود السجل د حيث د هو البعد عن طريق HHL خوارزمية مصفوفة انعكاس تم الحصول عليها من هذا النظام. هذه الخوارزمية لديه مؤشر نسبة إلى تسارع خوارزمية الكلاسيكية.

معظم طرق تعلم الآلة تحتاج إلى تحسين تكرارية من أدائها. على سبيل المثال، عادة معالجتها من قبل التغييرات وظيفة عقوبة عدم المساواة القيد وطريقة التدرج النسب أو نيوتن. وهناك نسخة معدلة من الكم PCA تنفذ أسلوب التدرج النسب التكرارية ونيوتن الأمثل متعدد الحدود ويمكن أن توفر مؤشرات للأسلوب الكلاسيكي للتسارع. في الحل الحالي باستخدام نسخ متعددة من الدول الكم يمكن استخدامه لتحسين الحل الترميز في كل خطوة. وبرانداو Svore توفر العرف برمجة نسخة الكم نصف، والذي يوفر إمكانية تسريع متعدد الحدود فائقة. الكم التقريبية خوارزمية الأمثل (خوارزمية QAO) يوفر طريقة فريدة من و qubit على أساس الأمثل، كما أنها تستخدم في المشاكل وظيفة عقوبة الدورية بالتناوب.

الكلاسيكية الكم قراءة البيانات في الجهاز

يجب عليك إدخال البيانات التقليدية من أجل معالجة البيانات على جهاز كمبيوتر الكم. "إدخال مشكلة" عادة ما يكون قليلا جدا النفقات العامة، ولكن بالنسبة لبعض الخوارزمية، فإنه قد يسبب الاختناق الشديد. وبالمثل، بعد البيانات، "مشاكل الناتج" ستظهر على الجهاز الكم. نفس المشكلة كمدخل، مشكلة الناتج عادة ما يؤدي إلى تباطؤ كبير في العمليات.

على وجه الخصوص، إذا كنا نريد أن HHL، المربعات الصغرى تناسب، الكم تحليل المكون الرئيسي، شعاع الدعم الآلي وطريقة الكم ارتباط يتم تطبيقها على البيانات الكلاسيكية، وأول حاجة عملية لتحميل كميات كبيرة من البيانات في نظام الكم، والتي قد تتطلب مؤشر وقت الاستهلاك. من حيث المبدأ، يمكنك استخدام القرام على حل هذه المشكلة، ولكن تكلفة ذلك هو، قد لا تكون قادرة على التعامل مع المشاكل البيانات الكبيرة. بالإضافة إلى الطريقة الأمثل على أساس مزيج من، الجهاز الوحيد المعروف خوارزميات التعلم لا تعتمد على القرام على نطاق والكم على أساس الجبر الخطي أن البيانات التنفيذ لتحليل الطوبوغرافية (استمرار التماثل) الكم الخوارزمية. بالإضافة إلى المربعات الصغرى تناسب واثنين من الكم SVM استثناء ملحوظ بالإضافة إلى ذلك، على أساس الجبر الخطي خوارزميات الانتاج قد يعانون من مشاكل، لأن كمية من المكونات الرئيسية مثل ناقلات الحل الكلاسيكي HHL من PCA أو ما شابه جدا يصعب تقدير صعوبة تقديرها هي الأسي.

على الرغم من أن مؤشر لديه القدرة على تسريع الكم، إذا لم يكن هناك الأمثل الكافي، حجم حلقة وعمق النفقات العامة يمكن أن يكون مبالغا كثيرا، (في لHHL يمكن تحقيق ما يصل إلى 10 ^ 25 الكم بوابات نقطة). نحن بحاجة إلى مواصلة الجهود البحثية لتحسين هذه الخوارزميات توفر تقديرات أفضل من حيث التكلفة، وأخيرا فهم ما هي قادرة على توفير بديل مفيدة للتعلم الآلة الكلاسيكية جهاز كمبيوتر الكم.

دراسة متعمقة الكم

الكلاسيكية DNN هو ذات كفاءة عالية أداة تعلم الآلة، ولكن أيضا متحمس جدا لتطوير أساليب التعلم الكم العمق. مثل الكم الصلب الدوائر الضوئية ومعالج قابل للبرمجة مخصصة أيضا مناسبة جدا لشبكة التعلم بناء على معلومات الكم الكم. أبسط قد يكون الكم عمق تكميم الشبكة العصبية هي آلة بولتزمان. الكلاسيكية بولتزمان آلة التفاعل من قبل بعض الشيء وجود تكوين الانضباطي، هذه التفاعلات يمكن تعديلها لتدريب الجهاز بولتزمان، بحيث بولتزمان - بت الوصف جيبس التوزيع الإحصائي للحرارة يمكن استنساخها الإحصاءات. لتكميم آلة بولتزمان يمكن ببساطة أن أعرب الشبكة العصبية على أنها مجموعة من التفاعل تدور الكم، والتي تتطابق مع الانضباطي إيسينج نموذج. ثم تهيئة الخلايا العصبية مساهمة بولتزمان الجهاز في حالة ثابتة، والسماح للنظام التدفئة، يمكننا قراءة المكدسة الناتج للحصول على الجواب.

وهناك سمة أساسية من دراسة الكم عمق هو أنه لا يحتاج إلى كبير الكمبيوتر الكم العالمي. الكم الصلب غير محددة الكم معالج المعلومات، وأسهل للبناء من التوسع الكمبيوتر الكم أغراض العامة. الكم الصلب ويتم تكييف جيد لتحقيق المتعلمين الكم عميق، ويمكن شراؤها تجاريا. D-موجة الكم الصلب غير الانضباطي عرضية نموذج إيسينج يمكن أن تتولد وبعض الساخن الكلاسيكية نظام الكم تدور بواسطة برمجة النظام. وقد استخدمت أجهزة D-موجة لأداء بروتوكول دراسة متعمقة الكم على النظام أكثر من ألف الدوران. واقتران الانضباطي الكم بولتزمان الجهاز أكثر العامة هي حاليا في مرحلة التصميم، واقتران لا يمكن أن يتحقق و qubit. وقد استخدمت السيليكون الدليل الموجي على رقاقة (من داخل chipsilicon الدليل الموجي) لبناء مجموعة البصرية الخطية وجود مئات من تداخل الانضباطي، ويمكن أن يقترب من المعلومات الكم الأمثل مخصصة فائقة التوصيل معالج الكم.

يمكن أن أجهزة الكمبيوتر الكم توفير مزايا في عدة طرق. أولا، يمكن للطريقة جعل النظام الكم أسرع من النظام التقليدي مرات من الدرجة الثانية المقابلة أثناء التسخين. وهذا يسمح للآلة بولتزمان مرتبطة ارتباطا كاملا تحقيق تدريب دقيق. بعد ذلك، جهاز كمبيوتر الكم من خلال توفير وسيلة أفضل لتسريع أخذ العينات القطار بولتزمان. لأن آلة بولتزمان أنماط تنشيط الخلايا العصبية بشكل عشوائي، لذلك كنت في حاجة الى الكثير من التكرار لتحديد احتمال النجاح، وبالتالي وجدت أن تغير الوزن الشبكات العصبية "يكون له أي تأثير على أداء الشبكة عميق. في المقابل، عندما التدريب الكم بولتزمان آلة والتربيعية التماسك الكم يمكن أن تقلل من عدد من العينات المطلوبة مستوى تعلم المهام. وعلاوة على ذلك، فإن البيانات تدريب وصول الكم (أي أسود أو الكم مربع الإجراء القرام) يسمح أقل طلب الحصول على تدريب الجهاز، يتم تقليل الجهاز بالمقارنة مع درجة من الدرجة الثانية الكلاسيكية. يمكن خوارزميات الكم تدريب DNN على مجموعة التدريب البيانات الكبيرة، في حين أن كمية صغيرة فقط من ناقلات تدريب قراءة.

يوفر معالجة المعلومات الكم نموذج الكم جديد من التعلم العميق. على سبيل المثال، إضافة إلى آلة بولتزمان حقل نموذج إيسينج الكم عرضية، يمكن أن يؤدي إلى مجموعة متنوعة من الآثار الكم، مثل تأثير النفق. إضافة المزيد من اقتران الكم، يمكن تحويلها إلى مجموعة متنوعة من نظم الجهاز الكم الكم بولتزمان. الانضباطي إضافة إلى عرضية الانضباطي إيسينج نموذج التفاعل، والذي يحسب لتعدد الكم الكامل: إعادة توزيع الأوزان التي كتبها المناسبة، ونموذج يمكن إجراء أي الكم خوارزمية كمبيوتر قابل للتنفيذ العالمية. هذا الكم عمق نظام التعليم العالمي قد تحدد وتصنف لا يمكن التعامل مع الكمبيوتر الكلاسيكية نمط.

آلة بولتزمان مع الكم الكلاسيكي مختلفة تنص على الكم بولتزمان إخراج الجهاز. وهكذا، فإن عمق شبكة الكم يمكن أن تتعلم لدول تنتج الكم تمثيلية من النظم المختلفة، مما يتيح للالشبكة بالكامل في شكل جمعية الكم من الذاكرة النشطة. عدم وجود هذا القدرة على إنتاج الدول الكم الكلاسيكية للتعلم الآلة. ولذلك، فإن الكم بولتزمان التدريب ليس فقط لتصنيف الدولة الكم، البيانات يمكن أيضا توفير النموذج الكلاسيكي أكثر ثراء.

الكم آلة الكم البيانات التعلم

ربما، لالكم عملية التعلم الجهاز هو الأكثر التطبيق المباشر للبيانات الكم - الحالة الفعلية للنظام الكم والتي تنتجها هذه العملية. كما هو موضح أعلاه، العديد من آلة الكم التعلم الخوارزمية عن طريق تعيين البيانات إلى حالة ميكانيكية الكم، ومن ثم استخدام الكم كبير الجبر الخطي إجراءات للتعامل مع هذه الدولة للبحث عن أنماط في البيانات التقليدية. هذه الكم آلة خوارزميات التعلم يمكن تطبيقه مباشرة على الدول الكم من الضوء والمادة، للكشف عن السمات والأنماط الأساسية. الناتج وضع تحليل الكم، بالمقارنة مع البيانات التي تم الحصول عليها من تحليل النظم الكم الكلاسيكية، وغالبا ما تكون أكثر كفاءة والكشف. على سبيل المثال، نسخ متعددة من نظام معين صفها مصفوفة كثافة N N يمكن استخدامها تحليل المكون الرئيسي للعثور على القيم الذاتية الكم، و تظهر ناقلات ميزة المقابلة في وقت O، مع هذا نسبة مصفوفة كثافة O قياس الكلاسيكية (N2) تستغرق وقتا طويلا، الوقت اللازم لأداء PCA الكلاسيكي هو O (N2). ويمكن تنفيذ هذا الكم من تحليل البيانات الكم على جهاز كمبيوتر صغير الكم صالحة للاستعمال خلال السنوات القليلة المقبلة.

الكم تستخدم قوية ولا سيما تقنيات تحليل البيانات للكشف عن الكم ديناميات الكم محاكاة. الكم محاكاة هي "الكمبيوتر الكم التناظرية" - ديناميات نظام الكم ومبرمجة لتتناسب أن تكون بعض الأنظمة الكم أخرى. معدات خاصة قد يكون محاكاة الكم لمحاكاة فئة معينة من أنظمة الكم، قد يكون الكم كمبيوتر أغراض العامة. في اتصال موثوق به لمحاكاة نظام الكم غير معروفة، ونموذج محاكاة لضبط حركية مضادة غير معروفة يمكن أن تستخدم لمعرفة الاستدلال النظرية الافتراضية ديناميات النظام غير معروف التقريبية على نحو فعال. وهكذا، يمكن أن يقلل كثيرا من عدد من القياسات المطلوبة محاكاة تنفيذها. وبالمثل، فإن خوارزمية إعادة الإعمار تسمح الكم عالمي ديناميكية محاكاة الكم، خوارزمية التدريب الكم بولتزمان لإتاحة الوقت لعدد من الدول التي أعيد بناؤها، بالمقارنة مع حركية إعادة البناء المقطعي الكلاسيكية في البعد من فضاء هلبرت، تسارعت ذلك أضعافا مضاعفة.

من أجل استخدام جهاز كمبيوتر الكم إلى مساعدة تميز نظام الكم، أو قبول الدول المدخلات المستخدمة في الخوارزمية الكم PCA، يجب أن نواجه تحديا كبيرا، وهي كيفية تحميل حالة الإدخال متماسكة. ومع ذلك، لأن هذه التطبيقات لا تتطلب القرام، والعروض احتمال تسارع الهائل من الجهاز، فإنها لا تزال التطبيقات بالقرب من الأمل الكم تعلم الآلة المستقبل.

الكم تصميم النظام والسيطرة

يتم ضبط أحد التحديات الرئيسية لتطوير الكم الحوسبة وجوه علم المعلومات لتلبية المتطلبات الصارمة لبوابة الكم تصحيح الخطأ الكم المطلوب. يمكن أن طرق البحث عن مجريات الأمور تساعد في تحقيق ذلك، (على سبيل المثال، أقرب جار أدركت مع فائقة التوصيل ذرة اصطناعية في الإخلاص الباب من 99.9 في حالة الضوضاء) في أشرف السيناريو التعلم، وبالتالي وصول عتبة القبول المتسامحة الكم حساب. تم بناء طرق مماثلة بنجاح طلقة واحدة البوابات والأبواب Toffoli تصل إلى 99.9 الإخلاص. بعض الدراسات باستخدام الخوارزمية الجينية للحد من عدد من البوابات الكم والخطأ التجريبي. وقد تم استخدامها لمحاكاة البوابة التي تسيطر عليها لا من خلال البوابة المساعدة والمكدسة غير مكتملة. ليس فقط في الكم الخوارزمية الجينية تفوقت التناظرية بروتوكول الرقمي يمكن أن تستخدم أيضا لمنع الخطأ التجريبي من الباب. يستخدم أسلوب آخر النسب العشوائية التدرج واثنين من التفاعلات، واستخدام القوى المحركة الطبيعية للشبكة الكم تضمين الكم Toffoli بوابة أو البوابة تسلسل التشغيل، من دون سيطرة تعتمد على الوقت. ديناميكية فصل تسلسل غير ذي صلة لمساعدة الدول في حماية الكم، هذه الدورة يمكن استخدامها لتصميم الشبكات العصبية.

يتم التحكم في نظام الكم، والتي هي مهمة ومعقدة على حد سواء. طريقة الكم التعلم هو ناجح جدا في تطوير خطوات التحكم، وتحسين المقاييس الكم على التكيف، والتي أصبحت التكنولوجيا الرئيسية في العديد من اللبنات الكم الكم. وقد اقترح الباحثون الخوارزمية الجينية للسيطرة على جزيء الكم، للتغلب على مشكلة تغير العوامل البيئية خلال التجربة الذي تسببت فيه. وقد تم الكشف عن مجريات الأمور العالمية الأمثل باستخدام التعزيز خوارزمية التعلم، مثل تصميم الدوائر خوارزمية ناجحة على نطاق واسع، خصوصا في وجود ضوضاء وفك الترابط، وحجم النظام على التكيف بشكل جيد للغاية. ويمكن أيضا أن تعلم أن تستخدم لتعزيز البوابة القائمة على نظم الكم. على سبيل المثال، استنادا إلى وكلاء ذكي، وتحكم على التكيف للحصول على معلومات الكم في اتجاه ثابت، مجال طائشة الخارجي المعروفة السعة تظهر المعايرة على التكيف واستراتيجية التعويض.

الكلاسيكية نظرية التعلم آلة لاستخراج الأفكار حول الدولة الكم من أداة قوية. في السنوات الأخيرة، والشبكات العصبية ونشرت لدراسة المسائل الأساسية تجميع اثنين من المواد، أي الكشف عن المرحلة والبحث ارض الدولة. حققت هذه الجهود أفضل من أداء العددي الأدوات الموجودة. علماء الفيزياء النظرية دراسة هذه النماذج، للمقارنة مع الطريقة التقليدية (على سبيل المثال، شبكة موتر)، وقوة لا يفهم أن النماذج وصفت. كما تم تنفيذ هذه طرق العلاج باستخدام أحدث غريبة من المسألة، وثبت أن ميزة غير عادية للغاية تم الاستيلاء عليها من طوبولوجيا نظام المختلين أو أمر.

آفاق العمل المستقبلية

كما ناقشنا في هذا الاستعراض كما أجهزة الكمبيوتر الكم الصغيرة والكبيرة محاكاة محددة الكم، الصلب، وما شابه ذلك يبدو أن التعلم الآلي وتحليل البيانات يمكن أن تكون مفيدة. ومع ذلك، فإن تنفيذ خوارزميات الكم لا يزال هناك نقص الأجهزة الكم المتاح.

على الجانب الأجهزة، جعلت العديد من التقنيات تقدما كبيرا. أجهزة الكمبيوتر الكم على نطاق صغير وجود 50-100 المكدسة حساب ( "Qloud") وتستخدم على نطاق واسع الكم سحابة. مثل محاكاة الكم، الصلب الكم، ورقاقة الضوئية المتكاملة، مركز النيتروجين الشغور (NV) مجموعة الماس، القرام، المنظم فائقة التوصيل الكم معلومات المعالج حلبة مخصصة أو ما شابه ذلك للانتقال من حيث الحجم والتعقيد. توفر الكم آلة التعلم التطبيقات المحتملة لكمبيوتر صغير الكم، كمبيوتر الكم هذه محددة الكم صغير معالج المعلومات، ومعالج رقمي ودعم استشعار الكم.

على وجه الخصوص، استخدام المحققين مبدأ فائقة التوصيل الدوائر المتكاملة قابلة لل، وقد تم تشييده وتشغيله الصلب الكم وجود حوالي 2000 المكدسة. تجسيدا هي أكبر خوارزميات تعلم الآلة التحدي الكم الكم الصلب وتشمل: تحسين الاتصال، وبشكل عام لتحقيق اقتران قابل للتعديل بين المكدسة. وقد استخدمت الباحثون في الضوئيات رقاقة متكاملة، والبصريات الكمومية التي شيدت مع مجموعة برمجة ما يقرب من 100 تداخل الانضباطي، ولكن أيضا فقدان آثار الكم مثل زيادة دائرة التضخيم. وثمة تحد مهم بشكل خاص للتعلم آلة الكم هو بناء القرام والأجهزة واجهة أخرى للسماح المعلومات المشفرة في ميكانيكا الكم الشكل الكلاسيكي. N القرام للوصول إلى البيانات من مجموعة من 2 ^ N التبديل فرع الكم، التي يتم تشغيلها أثناء المكالمة الذاكرة يجب متماسك. من حيث المبدأ، مثل القرام يستغرق وقتا O (دخول (N)) لأداء استدعاء الذاكرة، ويمكن السكوت نسبة الخطأ تصل إلى O (1 / logN) في كل مرة على مفتاح التشغيل، حيث العمق تسجيل الدائرة N القرام. تعرض القرام لإثبات المفهوم، ولكن بناء صفائف كبيرة من التبديل الكم لا يزال يمثل مشكلة فنية صعبة.

الأجهزة هي في الأساس تحديا تقنيا، ولكن أيضا وسيلة للتغلب على هذه الصعوبات واضحة. ومع ذلك، إذا كان الجهاز الكم التعلم لتصبح "تطبيق القاتل" كمبيوتر الكم، فلا بد من التغلب على هذه الصعوبات. كما ذكر سابقا، وقد ذكرت نواجه العديد من المشاكل معظم خوارزميات الكم تحد تطبيقها. يمكننا تحسين هذه التحديات إلى أربعة أسئلة أساسية.

مشاكل المدخلات: على الرغم من الكم خوارزمية يمكن أن توفر البيانات تسارع هامة في العملية، لكنها نادرا ما لها مزايا من حيث قراءة البيانات. وهذا يعني أنه عند قراءة تكاليف المدخلات في بعض الحالات تكلفة خوارزمية الكم يمكن أن تكون مهيمنة. فهم المشكلة، وسوف تشكل تحديا مستمرا.

إخراج Q: الحل الكامل من قضايا الوصول إلى الكم خوارزميات في شكل سلسلة بت في كثير من الأحيان هو مطلوب لتعلم الأسي المعلومات قليلا. وهذا ما يجعل التعلم الآلي الكم خوارزميات تصبح بعض التطبيقات الممكنة. بعض إحصاءات موجزة لإيجاد حل للمشكلة إلا عن طريق التعلم، قد تكون قادرة على الالتفاف على هذه المشكلة.

التكلفة. ترتبط ارتباطا وثيقا مشكلة الإدخال / الإخراج هو أننا لا يعقلون من الكم خوارزمية تعلم الكمبيوتر كم عدد بوابات في حاجة غاية في الواقع. القيود يشير الكلاسيكية خوارزمية تعقيد ذلك، فإن خوارزميات الكم تنص على مشكلة كبيرة بما يكفي ميزة كبيرة، ومع ذلك، لا يزال من غير الواضح في هذه المرحلة الحرجة حيث.

مشكلة المعيار. في الواقع، غالبا ما يكون من الصعب في التأكيد ما إذا كان الكم خوارزمية خوارزمية أفضل من كل آلة الكلاسيكية المعروفة، لأن ذلك يتطلب تحليل القياس واسعة النطاق لمجموعة متنوعة من أساليب الكشف عن مجريات الأمور الحديثة. إنشاء الحد الأدنى للتعلم الآلة الكم، فإن حل هذه المشكلة جزئيا.

من أجل تجنب بعض المشاكل أعلاه، فإننا يمكن تطبيقها على الكم الحوسبة البيانات الكم بدلا من البيانات الكلاسيكية. هدف واحد هو توصيف والسيطرة على جهاز الكمبيوتر الكم تعلم الآلة الكم. وسوف يتحقق هذا يشبه ما حدث في حلقة حميدة الحوسبة الابتكار الكلاسيكية، في هذه الدورة، كل جيل من معالجات يمكن استخدامها لتصميم الجيل القادم من معالجات. بدأنا نرى نتائج الجيل الأول من هذه الدورة: تم استخدام آلة التعلم الكلاسيكية لتحسين تصميم الكم المعالج، والكم المعالج، بدوره، وتوفير موارد الحوسبة قوية للتعلم آلة الكم.

ورقة: دوى: 10.1038 / nature234

انقر هنا لقراءة المقال الأصلي لمعرفة التفاصيل، ونأمل أن تتمكن من الانضمام ~