Clustering by Contour coreset and variational quantum eigensolver

要約

最近の研究では、量子近似最適化アルゴリズム (QAOA) とコアセット技術を介して、量子コンピューター上で k 平均法クラスタリング問題を解決することが提案されています。
現在の方法は量子 K 平均法クラスタリングの可能性を示していますが、広範囲のデータセットにわたる高い精度と一貫性は保証されません。
既存のコアセット技術は古典的なアルゴリズム向けに設計されており、量子アルゴリズムの精度を高めるために設計された量子に合わせたコアセット技術はありませんでした。
この研究では、変分量子固有ソルバー (VQE) と、量子アルゴリズムに特に焦点を当てて定式化されたカスタマイズされたコアセット手法である Contour コアセットを使用して、k 平均法クラスタリング問題を解くことを提案します。
合成データと実際のデータを使用した広範なシミュレーションにより、当社の VQE+Contour Coreset アプローチは、より高い精度とより低い標準偏差により、既存の QAOA+Coreset K-means クラスタリング アプローチよりも優れたパフォーマンスを発揮することが実証されました。
私たちの研究により、量子カスタマイズされたコアセット技術には、汎用の既製コアセット技術を使用する場合と比較して、量子アルゴリズムのパフォーマンスを大幅に向上させる可能性があることが示されました。

要約(オリジナル)

Recent work has proposed solving the k-means clustering problem on quantum computers via the Quantum Approximate Optimization Algorithm (QAOA) and coreset techniques. Although the current method demonstrates the possibility of quantum k-means clustering, it does not ensure high accuracy and consistency across a wide range of datasets. The existing coreset techniques are designed for classical algorithms and there has been no quantum-tailored coreset technique which is designed to boost the accuracy of quantum algorithms. In this work, we propose solving the k-means clustering problem with the variational quantum eigensolver (VQE) and a customised coreset method, the Contour coreset, which has been formulated with specific focus on quantum algorithms. Extensive simulations with synthetic and real-life data demonstrated that our VQE+Contour Coreset approach outperforms existing QAOA+Coreset k-means clustering approaches with higher accuracy and lower standard deviation. Our work has shown that quantum tailored coreset techniques has the potential to significantly boost the performance of quantum algorithms when compared to using generic off-the-shelf coreset techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google