Variational Quantum Linear Solver enhanced Quantum Support Vector Machine

要約

量子サポート ベクター マシン (QSVM) は、分類などの教師あり機械学習タスクに量子リソースを使用する際に重要な役割を果たします。
ただし、現在の方法は、Noisy Intermediate Scale Quantum (NISQ) デバイスでのスケーラビリティの点で大きく制限されています。
この研究では、変分量子線形ソルバー (VQLS) 拡張 QSVM と呼ばれる新しいアプローチを提案します。
これは、NISQ デバイス上で最小二乗 SVM の線形方程式系を解くために変分量子線形ソルバーを利用するという私たちのアイデアに基づいて構築されています。
私たちのアプローチの実装は、3 つの異なるアヤメ植物種で構成されるアヤメ データセットを使用した広範な一連の数値実験によって評価されます。
これに基づいて、1 次元から 7 次元までの特徴空間で分類できる分類器を構築することで、アルゴリズムの実用性と有効性を調査します。
さらに、アルゴリズムのさまざまなサブルーチンに古典的コンピューティングと量子コンピューティングの両方を戦略的に活用することで、実装に関連する実際的な課題を効果的に軽減します。
これには、変分分析のトレーニング可能性の大幅な向上と、コスト計算の実行時間の顕著な短縮が含まれます。
数値実験に基づいて、私たちのアプローチは 8 次元特徴空間内の分離超平面を識別する機能を示します。
さらに、同じデータセットを使用するさまざまなインスタンス間で一貫して優れたパフォーマンスを実証しました。

要約(オリジナル)

Quantum Support Vector Machines (QSVM) play a vital role in using quantum resources for supervised machine learning tasks, such as classification. However, current methods are strongly limited in terms of scalability on Noisy Intermediate Scale Quantum (NISQ) devices. In this work, we propose a novel approach called the Variational Quantum Linear Solver (VQLS) enhanced QSVM. This is built upon our idea of utilizing the variational quantum linear solver to solve system of linear equations of a least squares-SVM on a NISQ device. The implementation of our approach is evaluated by an extensive series of numerical experiments with the Iris dataset, which consists of three distinct iris plant species. Based on this, we explore the practicality and effectiveness of our algorithm by constructing a classifier capable of classification in a feature space ranging from one to seven dimensions. Furthermore, by strategically exploiting both classical and quantum computing for various subroutines of our algorithm, we effectively mitigate practical challenges associated with the implementation. These include significant improvement in the trainability of the variational ansatz and notable reductions in run-time for cost calculations. Based on the numerical experiments, our approach exhibits the capability of identifying a separating hyperplane in an 8-dimensional feature space. Moreover, it consistently demonstrated strong performance across various instances with the same dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google