Diversity-Aware Ensemble of Quantum-Classical Models via Combinatorial Fusion
Questo articolo propone un framework di ensemble consapevole della diversità che utilizza la Combinatorial Fusion Analysis per combinare efficacemente modelli classici e quantistici architettonicamente diversi, dimostrando che questo approccio ibrido supera costantemente i migliori modelli individuali attraverso molteplici benchmark di classificazione binaria.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel campo emergente del machine learning quantistico, gli scienziati stanno cercando di insegnare ai computer a risolvere problemi utilizzando le strane regole della fisica quantistica. Invece dei bit standard che si trovano nei computer di uso comune, che sono o zero o uno, queste macchine utilizzano bit quantistici, o qubit, che possono esistere in molti stati contemporaneamente. Per far sì che queste macchine imparino, i ricercatori costruiscono circuiti speciali composti da porte quantistiche. Queste non sono fili e interruttori fisici, ma piuttosto istruzioni matematiche che ruotano e torcono lo stato dei qubit. La sfida è che esistono innumerevoli modi per disporre queste istruzioni. Proprio come uno chef potrebbe provare diverse combinazioni di spezie per perfezionare un piatto, i ricercatori devono scegliere la giusta disposizione di porte per ottenere il miglior risultato. Per molto tempo, l'approccio standard è stato quello di cercare tra queste possibilità, scegliere l'unico design migliore e scartare gli altri. Questo metodo presuppone che esista un'architettura perfetta per ogni compito, e che gli altri design siano semplicemente tentativi falliti.
Tuttavia, un nuovo studio suggerisce che questo approccio potrebbe stare buttando via informazioni preziose. I ricercatori, lavorando con un mix di modelli computazionali quantistici e classici, si sono posti una domanda diversa: cosa succederebbe se i design che non hanno vinto da soli contenessero comunque indizi utili? Hanno proposto che, combinando molti design diversi, anche quelli imperfetti, il gruppo potesse fare previsioni migliori di quanto qualsiasi singolo modello possa fare da solo. Questa idea si basa sul concetto di diversità. In una squadra, avere membri che pensano in modo diverso è spesso più potente che avere un gruppo di esperti identici. Se una persona commette un errore, un'altra potrebbe vedere chiaramente la risposta. I ricercatori hanno applicato questa logica ai circuiti quantistici, trattando ogni diverso design come un membro unico di una squadra. Hanno utilizzato un metodo chiamato analisi di fusione combinatoria per misurare quanto diversamente ogni modello vedeva i dati e poi hanno combinato le loro risposte. I risultati hanno dimostrato che, ascoltando un gruppo diversificato di modelli invece del miglior performer singolo, il sistema è diventato significativamente più accurato nel risolvere compiti di classificazione complessi, provando che la saggezza collettiva di molti approcci diversi è superiore al genio solitario di uno solo.
Il team ha iniziato creando un ampio pool di ventinove modelli diversi da testare. Questo gruppo includeva venti circuiti quantistici con varie strutture e nove modelli classici, come algoritmi di machine learning standard e reti di deep learning. I circuiti quantistici sono stati costruiti utilizzando due strategie principali. Primo, hanno generato dodici variazioni basate su un processo di ricerca che testava diversi modi per connettere i qubit e ruotare i loro stati. Secondo, hanno aggiunto otto circuiti scelti con cura che utilizzavano blocchi matematici completamente diversi, alcuni ispirati a come le particelle interagiscono in natura e altri basati su schemi casuali. Accanto a questi modelli quantistici, hanno incluso strumenti classici familiari come alberi decisionali e macchine a vettori di supporto. L'obiettivo era vedere se mescolare questi tipi molto diversi di modelli avrebbe creato un predittore più forte di quello che qualsiasi singolo modello potrebbe ottenere da solo.
Per decidere quali modelli combinare, i ricercatori non hanno semplicemente scelto quelli con i punteggi più alti. Invece, hanno cercato modelli che fossero diversi tra loro nel modo in cui classificavano i dati. Hanno utilizzato una misura chiamata diversità cognitiva, che calcola quanto due modelli siano in disaccordo sull'ordine delle loro previsioni. Se due modelli concordano sempre, sono ridondanti; se sono in disaccordo in modo strutturato, sono diversi. Il team ha identificato le coppie di modelli più diverse e ha selezionato un piccolo gruppo di cinque che offriva il miglior mix di alte prestazioni e alta diversità. Questo processo di selezione ha garantito che la squadra finale non fosse solo una collezione dei migliori performer individuali, ma un gruppo di modelli che si completassero a vicenda nelle rispettive debolezze.
Una volta selezionata la squadra, i ricercatori hanno combinato le loro previsioni utilizzando due metodi principali. Il primo metodo mediava i punteggi grezzi forniti da ciascun modello, mentre il secondo mediava le loro classifiche. Hanno testato diversi modi per pesare queste combinazioni, dando a volte più importanza ai modelli che erano più diversi, e altre volte dando priorità a quelli che performavano meglio individualmente. Hanno testato questo sistema su quattro diversi dataset del mondo reale, che spaziavano dai record medici usati per diagnosticare malattie cardiache e diabete, ai segnali radar e ai filtri antispam per le email. In ogni singolo caso, il modello combinato ha superato il miglior modello individuale nel pool.
I miglioramenti sono stati sostanziali. Sul dataset per la previsione delle malattie cardiache, il modello combinato ha migliorato l'accuratezza del 3,38 percento rispetto al miglior modello singolo. Per il dataset del diabete, il guadagno è stato ancora maggiore, raggiungendo il 6,03 percento. Nel caso dei dati radar dell'ionosfera, il sistema combinato ha raggiunto un'accuratezza del 98,11 percento, un salto significativo rispetto al 94,34 percento ottenuto dal miglior modello singolo. Anche nel compito di rilevamento dello spam, dove i modelli erano già molto bravi, il metodo di fusione è riuscito comunque a estrarre un ulteriore 0,58 percento di miglioramento. Questi risultati sono rimasti validi anche quando i ricercatori hanno confrontato il loro metodo con altri studi recenti che utilizzavano ensemble o approcci ibridi quantistico-classici. Il loro metodo ha costantemente prodotto i punteggi più alti in tutti e quattro i dataset.
Lo studio ha anche rivelato che le squadre di maggior successo erano quasi sempre un mix di modelli quantistici e classici. In alcuni casi, la migliore combinazione includeva un circuito quantistico specifico noto per la sua struttura ad albero accoppiato con un algoritmo di boosting classico. In altre istanze, un circuito quantistico ispirato agli algoritmi di ottimizzazione funzionava meglio insieme a una rete neurale. Ciò suggerisce che i modelli quantistici e i modelli classici vedono il mondo in modi fondamentalmente diversi, e che le loro differenze sono ciò che li rende così potenti quando combinati. La ricerca dimostra che la strada per un migliore machine learning quantistico potrebbe non risiedere nel trovare il singolo design di circuito perfetto, ma nell'imparare come sfruttare efficacemente le diverse forze di molti design differenti che lavorano insieme. Trattando la ricerca del miglior modello come la ricerca della migliore squadra, i ricercatori hanno mostrato un nuovo modo per sbloccare il potenziale del computing quantistico.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.