Several fitness functions and entanglement gates in quantum kernel generation

要約

量子機械学習 (QML) は、量子テクノロジーの分野における有望なフロンティアです。
この量子の利点の追求において、サポート ベクター マシンの量子カーネル方式が強力なアプローチとして登場しました。
量子力学の基本概念であるもつれは、量子コンピューティングにおいて中心的な役割を果たします。
この論文では、量子カーネル法におけるもつれゲートの必要性について研究します。
量子特徴マップの回路のローカルおよび非ローカルのゲート コストを最小限に抑えながら、同時に分類精度を最大化する多目的遺伝的アルゴリズムのいくつかの適合関数を紹介します。
エンタングルメント ゲートを採用するメリットについて洞察を得るために、古典的な分類器との比較を実施します。
驚くべきことに、私たちの実験では、非ローカルゲートが大幅に抑制されていた以前の文献とは対照的に、量子カーネル法のための量子回路の最適構成には、量子もつれに比例した数の非ローカルゲートが組み込まれていることが明らかになりました。
さらに、データの分離性インデックスを効果的に利用して、量子サポート ベクター マシンの特徴マップに必要な非ローカル ゲートの数を決定できることを示します。
この洞察は、データ分析に基づいて https://qiskit.org/ などのさまざまな量子プログラミング パッケージでエンタングルメント パラメーターなどの適切なパラメーターを選択するのに非常に役立ちます。
私たちの発見は、量子機械学習アルゴリズムの効率と精度を向上させるための貴重な指針を提供します。

要約(オリジナル)

Quantum machine learning (QML) represents a promising frontier in the realm of quantum technologies. In this pursuit of quantum advantage, the quantum kernel method for support vector machine has emerged as a powerful approach. Entanglement, a fundamental concept in quantum mechanics, assumes a central role in quantum computing. In this paper, we study the necessities of entanglement gates in the quantum kernel methods. We present several fitness functions for a multi-objective genetic algorithm that simultaneously maximizes classification accuracy while minimizing both the local and non-local gate costs of the quantum feature map’s circuit. We conduct comparisons with classical classifiers to gain insights into the benefits of employing entanglement gates. Surprisingly, our experiments reveal that the optimal configuration of quantum circuits for the quantum kernel method incorporates a proportional number of non-local gates for entanglement, contrary to previous literature where non-local gates were largely suppressed. Furthermore, we demonstrate that the separability indexes of data can be effectively leveraged to determine the number of non-local gates required for the quantum support vector machine’s feature maps. This insight can significantly aid in selecting appropriate parameters, such as the entanglement parameter, in various quantum programming packages like https://qiskit.org/ based on data analysis. Our findings offer valuable guidance for enhancing the efficiency and accuracy of quantum machine learning algorithm

arxiv情報

提供元, 利用サービス

arxiv.jp, Google