Инициатива Womanium Global Quantum Project 2023

Термин «машинное обучение» приобрел большую популярность, заполняя наши ежедневные ленты в социальных сетях, таких как YouTube, LinkedIn и Instagram. От прогнозирования результатов здравоохранения и освоения распознавания изображений и речи до создания беспилотных транспортных средств и революции в финансовых услугах — все эти достижения находятся под твердым контролем машинного обучения. Несмотря на то, что многие проблемы были решены с использованием методов машинного обучения с использованием различных алгоритмов и обучения больших объемов собранных данных, существуют определенные наборы проблем, для которых наше классическое машинное обучение достигает своих пределов с точки зрения размера и объема данных.

Именно здесь в игру вступает Квантовое машинное обучение. Используя уникальную мощь квантовых вычислений и обработки информации, Квантовое машинное обучение направлено на ускорение процесса обучения и решение сложных задач, с которыми сталкиваются классические подходы.

В этой статье я хотел бы провести простой сравнительный анализ классического и квантового машинного обучения с использованием одного алгоритма, называемого SVM(машины опорных векторов) и QSVM(квантовый опорный вектор). Машины). Изучая эти два алгоритма, мы можем пролить свет на отличительные подходы, которые классическое и квантовое машинное обучение используют для решения сложных задач. Для начала давайте углубимся в основные определения машинного обучения, обзор его различных типов и введение в алгоритм машины опорных векторов. Затем мы углубимся в квантовые вычисления и квантовое машинное обучение с использованием QSVM.

МАШИННОЕ ОБУЧЕНИЕ

Машинное обучение — это отрасль искусственного интеллекта (ИИ) и информатики, которая фокусируется на использовании данных и алгоритмов для имитации способа обучения людей, постепенно повышая его точность.

Машинное обучение делится на три типа.

1.) Обучение под присмотром (Обучение на примере)

2.) Обучение без учителя (Нахождение закономерностей)

3.) Обучение с подкреплением (Обучение через взаимодействие)

Алгоритмы машинного обучения делятся на три типа:

1.) Регрессия (Прогнозирование значений)

2.)Классификация(Категоризация данных)

3.)Кластеризация (Группировка похожих данных)

Поскольку алгоритм SVM представляет собой алгоритм обучения с учителем, используемый для регрессии и широко используемый для задач классификации, давайте углубимся в эти термины.

Обучение под наблюдением. В этой модели метода мы предоставляем модели помеченные данные обучения (пары ввода-вывода), что означает, что мы предоставляем набор входных данных и соответствующих выходных данных для процесса обучения. Использование этой модели позволяет делать прогнозы. для получения новых невидимых данных путем применения изученных связей к новым входным данным.

Примеры: прогнозирование цен на жилье на основе характеристик, классификация электронных писем как спама или не спама.

Регрессия. Регрессионный анализ – это метод статистического прогнозного моделирования, используемый для изучения взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными. В основном он используется для прогнозирования и выяснения причинно-следственных связей между переменными. Регрессия — это наиболее часто используемый алгоритм, когда вы хотите спрогнозировать будущую ценность на основе прошлых данных.

Классификация. Проблема классификации возникает, когда выходная переменная представляет собой категорию, например «красный» или «синий» или «болезнь» и «нет заболевания». Модель классификации пытается сделать некоторые выводы из наблюдаемых ценности. Учитывая один или несколько входных данных, модель классификации попытается предсказать ценность одного или нескольких результатов. Например, при фильтрации электронных писем на «спам» или «не спам», а при просмотре данных транзакций — на «мошеннические» или «санкционированные». Классификация подобна обучению компьютера группировать объекты по категориям на основе шаблонов, которые он усвоил из прошлых примеров.

SVM (машина опорных векторов)

Машина опорных векторов (SVM) — это алгоритм контролируемого машинного обучения, используемый как для классификации, так и для регрессии. Хотя мы также говорим о проблемах регрессии, они лучше всего подходят для классификации. Основная цель алгоритма SVM — найти оптимальную гиперплоскость (границу разделения) в N-мерном пространстве, которая может разделить точки данных разных классов в пространстве признаков.

Давайте разберемся в этом на примере,

В этом примере рассмотрим синие звезды и красные круги как точки данных. Здесь мы хотим найти оптимальную гиперплоскость, поэтому берем здесь три линии A, B, C [примечание: поскольку это не трехмерная гиперплоскость, здесь это линия]. Для случая A он не разделяет точно синие звезды и круги, то же самое касается и случая C, но для случая B он точно разделяет каждую точку данных. Но тогда возникает вопрос, можем ли мы разделить это по-другому, как показано на изображении ниже?

Здесь красные кресты и точки данных желтого креста могут быть разделены синей линией, но оптимальная гиперплоскость на самом деле является красной линией. Это связано с тем, что всегда оптимальная гиперплоскость всегда выбирается таким образом, чтобы расстояние между различными точками данных было максимальным.

Здесь алгоритм SVM находит лучшую линию или границу решения, эта лучшая граница или область называется Гиперплоскостью. Ближайшие точки данных линии обоих классов называются Вектор поддержки. Расстояние между опорными векторами и гиперплоскостью называется запасом. Итак, в заключение, SVM находит гиперплоскость с максимальным запасом, которая называется оптимальной гиперплоскостью.

Здесь мы обсудили линейно разделимые случаи, но как насчет нелинейных случаев, как показано ниже?

В этом случае мы используем ядра. Ядра — это просто преобразование данных с использованием карты объектов из одного измерения в другое, позволяющее алгоритму SVM разделяться на разные классы, как показано здесь.

Но в тех случаях, когда данные большие и сложные, тогда требуется гораздо больше размерных пространств или выделенных пространств. Это может быть потенциальной областью, где квантовые вычисления и квантовые алгоритмы могут быть использованы с пользой.

Квантовые вычисления и квантовое машинное обучение

Квантовые вычисления – это междисциплинарная область, включающая аспекты информатики, физики и математики, которая использует квантовую механику для решения сложных задач быстрее, чем классические компьютеры. Квантовые устройства используют кубиты (квантовые биты) вместо битов, которые подчиняются законам квантовой механики.

Благодаря таким свойствам, как суперпозиция и запутывание, квантовые компьютеры могут работать быстрее и решать сложные задачи, которые не могут решить классические компьютеры.

Квантовое машинное обучение использует алгоритмы, выполняемые на квантовых устройствах, таких как квантовые компьютеры, для дополнения, ускорения или поддержки работы, выполняемой классической программой машинного обучения. Квантовое машинное обучение, также называемое квантовым машинным обучением, использует возможности квантовых технологий по обработке информации для улучшения и ускорения работы, выполняемой моделью машинного обучения.

Квантовая машина опорных векторов

QSVM работает по тому же принципу, что и классический SVM, который заключается в поиске оптимальной гиперплоскости, разделяющей максимально разные классы, только на этот раз для выполнения оптимизации, необходимой для поиска гиперплоскости, используется квантовое устройство.

Здесь процесс оптимизации включает в себя минимизацию функции, где функция определяется как сумма квадратов расстояния между точками и гиперплоскостью. Максимальный запас для оптимальной гиперплоскости находится, когда наша определенная функция имеет минимальное значение. Для этого процесса QSVM использует алгоритм квантового градиентного спуска.

Обычно алгоритм градиентного спуска находит направление, в котором функция достигла минимального значения. На этом рисунке алгоритм находит минимальное значение функции стоимости с помощью постепенного шага от начальной точки.

Аналогичным образом алгоритм квантового градиентного спуска работает путем итеративного обновления параметров модели машинного обучения в направлении наибольшего спуска. Самый крутой спуск — это направление, в котором функция стоимости модели уменьшается быстрее всего, что позволяет найти оптимальную гиперплоскость.

Еще одним ключевым компонентом в контексте квантовых машин опорных векторов (SVM) является Квантовая карта объектов, особенно в контексте квантовых машин опорных векторов (SVM). Это метод, используемый для отображения классических точек данных в квантовые состояния, позволяющий квантовым компьютерам обрабатывать и анализировать эти данные в квантовом контексте.

Квантовая карта объектов принимает классические входные данные и преобразует их в квантовое состояние, часто используя квантовые вентили и операции. Затем квантовым состоянием можно манипулировать и анализировать с помощью квантовых алгоритмов. Различные типы карт квантовых признаков предназначены для разных типов данных и задач, подобно тому, как различные функции ядра разрабатываются для разных типов классических данных.

Преимущества QSVM

а.) Быстрое время обучения: QSVM могут достичь более быстрого времени обучения, чем классические SVM, благодаря увеличенной вычислительной мощности квантовых компьютеров. Это может быть особенно полезно для крупномасштабных задач машинного обучения, где время обучения может быть проблемой.

б.) Многомерное отображение. Квантовые карты признаков могут отображать данные в многомерные квантовые состояния, что может привести к лучшему разделению точек данных в сложных пространствах признаков по сравнению с классическими ядрами.

в.) Лучшая производительность обобщения: Было показано, что квантовые SVM имеют лучшую производительность обобщения, чем классические SVM. Это означает, что они могут делать более точные прогнозы на основе невидимых данных. Это связано с тем, что квантовые SVM могут использовать квантовую механику для более эффективного представления и обработки данных.

Однако важно отметить, что существуют и проблемы:

1. Ограничения квантового оборудования. Создание и обслуживание квантовых компьютеров по-прежнему является сложной задачей, а частота ошибок в квантовых вычислениях может повлиять на надежность квантовых алгоритмов.

2. Ограниченный объем проблемы: QSVM не всегда лучше классических SVM. Они особенно полезны для конкретных задач, особенно тех, которые связаны с квантовыми данными или используют квантовые принципы.

3. Доказательство ограниченного квантового преимущества. Хотя квантовые компьютеры продемонстрировали преимущества в определенных задачах, таких как факторизация больших чисел, квантовое преимущество для задач машинного обучения все еще остается темой активных исследований.

Несмотря на эти проблемы, квантовое машинное обучение — быстро развивающаяся область с большим потенциалом. По мере того, как квантовые компьютеры становятся более мощными, а алгоритмы квантового машинного обучения становятся более сложными, мы можем ожидать, что QSVM и другие алгоритмы квантового машинного обучения будут использоваться для решения более широкого круга задач.

Источники

1.) https://www.ibm.com/topics/machine-learning

2.) https://dzone.com/articles/quantum-support-vector-machine-101

3.) https://www.geeksforgeeks.org/supervised-unsupervised-learning/

4.) https://www.coursera.org/articles/machine-learning-models

5.) https://youtu.be/Cuymc-K3a7M Упрощенное квантовое машинное обучение (SVM)

6.) Введение в машинное обучение, слайды SVM Института обучения программному обеспечению Edure.

7.) https://www.educba.com/gradient-descent-in-machine-learning/