Quantum Hamiltonian Embedding of Images for Data Reuploading Classifiers
Dieses Paper schlägt ein Quanten-neuronales Netzwerkmodell vor, das Data-Reuploading-Schaltkreise mit Quantum-Hamiltonian-Embedding integriert, eine überlegene Leistung gegenüber Quanten-Faltungskonvolutionsnetzwerken auf Bilddatensätzen demonstriert und sechs Designprinzipien für Quanten-Maschinelles-Lernen auf der Grundlage klassischer Deep-Learning-Heuristiken etabliert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, einem Roboter beizubringen, Bilder zu erkennen, wie zum Beispiel eine Katze von einem Hund zu unterscheiden. Seit Jahrzehnten nutzen wir dafür „klassische“ Computer, die wir wie riesige, komplexe Fabriken aufbauen, in denen Daten durch viele Verarbeitungsschichten fließen. Aber jetzt fragen Wissenschaftler: Was wäre, wenn wir die seltsamen, magischen Regeln der Quantenphysik nutzen würden, um einen klügeren, schnelleren Roboter zu bauen? Dieses Feld wird Quanten-Maschinelles-Lernen genannt. Die große Frage ist nicht mehr nur die Geschwindigkeit; es geht darum, wie man Bilder in einen Quantencomputer einspeist. In der klassischen Welt kann man einfach ein Foto in den Speicher werfen. Aber in der Quantenwelt muss man dieses Foto in eine spezielle „Quantensprache“ übersetzen (genannt Embedding), ohne die Form oder Bedeutung des Bildes zu verlieren. Wenn man die Übersetzung falsch macht, wird der Roboter verwirrt. Diese Arbeit befasst sich mit diesem Übersetzungsproblem und stellt die Frage, ob wir einfach alte Computer-Tricks in die Quantenwelt kopieren und einfügen sollten oder ob wir einen neuen Weg erfinden müssen, der die einzigartige Natur der Quantenphysik respektiert.
Die Autoren dieser Arbeit, ein Team von der University of Melbourne und der UNSW Sydney, entschieden sich dazu, aufzuhören, klassische Computertricks auf Quantenmaschinen zu erzwingen. Stattdessen untersuchten sie, wie erfolgreiches klassisches Deep Learning funktioniert, und versuchten, diese „Bauchgefühle“ (Heuristiken) in den Quantenbereich zu übertragen. Sie bauten einen neuen Typ von Quanten-Klassifikator, ein Modell, das darauf ausgelegt ist, Bilder zu sortieren, unter Verwendung zweier Hauptzutaten: einer „Data Reuploading“-Schaltung (was bedeutet, die Bildinformationen mehrmals in den Quantencomputer einzuspeisen, so als würde man ein Buch zweimal lesen, um es besser zu verstehen) und einem „Quantum Hamiltonian Embedding“. Stellen Sie sich das Hamiltonian Embedding wie ein spezielles Objektiv vor, das das gesamte Bild in ein einziges, komplexes Quanten-„Rezept“ (eine Matrix) verwandelt, anstatt nur jedes Pixel in eine einfache Reglereinstellung zu verwandeln. Dies ermöglicht es dem Quantencomputer, die Form des gesamten Bildes auf einmal zu verarbeiten, anstatt es in eine ungeordnete Linie aus Daten abzuflachen.
Als sie ihr neues Modell an berühmten Bilddatensätzen wie MNIST (handgeschriebene Zahlen) und FashionMNIST (Kleidungsstücke) testeten, waren die Ergebnisse überraschend stark. In diesen Simulationen zertrümmerten ihr neues Modell das bisherige „Goldstandard“-Quantenmodell, bekannt als Quantum Convolutional Neural Network (QCNN). Beim MNIST-Testset erreichte ihr Modell eine Genauigkeit von fast 90 %, verglichen mit den etwa 47 % des Baselines, was eine absolute Verbesserung von über 40 Prozentpunkten darstellt. Selbst beim komplexeren FashionMNIST-Datensatz behauptete es sich und übertraf den Baseline signifikant. Die Autoren blieben nicht nur bei den Zahlen stehen; sie nutzten diese Ergebnisse, um sechs neue „Verkehrsregeln“ für das Design zukünftiger Quanten-Maschinelles-Lernen-Modelle vorzuschlagen. Sie schlagen vor, dass wir nicht sofort darauf besessen sein sollten, die Dinge schneller zu machen, sondern uns stattdessen darauf konzentrieren sollten, die natürliche Form der Daten (wie das 2D-Gitter eines Fotos) beizubehalten, so wenig „Vorkochen“ auf klassischen Computern wie möglich zu betreiben und Methoden zu vermeiden, die das Modell versehentlich mit schlechten Verzerrungen austricksen. Im Wesentlichen argumentieren sie, dass wir, um Quantencomputer gut in KI zu machen, aufhören müssen, sie dazu zu bringen, wie klassische Computer zu agieren, und stattdert beginnen müssen, sie wie Quantencomputer agieren zu lassen, indem wir die einzigartige Mathematik der Quantenphysik nutzen, um die schwere Arbeit zu erledigen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.