Probabilistic Quantum SVM Training on Ising Machine

要約

量子コンピューティングは、特にサポートベクターマシン（SVM）トレーニングで遭遇したような最適化の問題を解決する際に、機械学習アルゴリズムを加速する重要な可能性を秘めています。
ただし、現在のQuboベースの量子SVM（QSVM）メソッドは、バイナリ最適ソリューションのみに依存しており、データのファジー境界を識別する能力を制限しています。
さらに、現代の量子デバイスの限られたキュービットカウントは、より大きなデータセットでのトレーニングを制約します。
この論文では、コヒーレントISINGマシン（CIM）に適した確率的量子SVMトレーニングフレームワークを提案します。
SVMトレーニングの問題をQUBOモデルとして策定することにより、CIMSのエネルギー最小化機能を活用し、ボルツマン分布ベースの確率的アプローチを導入して、最適なSVMソリューションをよりよく近似し、堅牢性を高めます。
キクビットの制限に対処するために、バッチ処理とマルチバッチアンサンブル戦略を採用し、小規模な量子デバイスが大規模なデータセットでSVMをトレーニングし、1VS-Oneアプローチを介してマルチクラス分類タスクをサポートできるようにします。
私たちの方法は、バイナリおよびマルチクラスのデータセットに関するシミュレーションとリアルマシン実験を通じて検証されています。
紙幣のバイナリ分類データセットでは、エネルギーベースの確率的アプローチを利用してCIMベースのQSVMが、元のQSVMと比較して最大20％高い精度を達成し、シミュレートされたアニーリングメソッドよりも最大$ 10^4 $倍高速になりました。
古典的なSVMと比較して、私たちのアプローチはトレーニング時間と一致するか短縮されました。
IRIS 3クラスのデータセットでは、改善されたQSVMは、すべての主要なメトリックで既存のQSVMモデルよりも優れていました。
量子技術が進むにつれて、クビット数の増加は、古典的なSVMと比較してQSVMパフォーマンスをさらに強化すると予想されます。

要約(オリジナル)

Quantum computing holds significant potential to accelerate machine learning algorithms, especially in solving optimization problems like those encountered in Support Vector Machine (SVM) training. However, current QUBO-based Quantum SVM (QSVM) methods rely solely on binary optimal solutions, limiting their ability to identify fuzzy boundaries in data. Additionally, the limited qubit count in contemporary quantum devices constrains training on larger datasets. In this paper, we propose a probabilistic quantum SVM training framework suitable for Coherent Ising Machines (CIMs). By formulating the SVM training problem as a QUBO model, we leverage CIMs’ energy minimization capabilities and introduce a Boltzmann distribution-based probabilistic approach to better approximate optimal SVM solutions, enhancing robustness. To address qubit limitations, we employ batch processing and multi-batch ensemble strategies, enabling small-scale quantum devices to train SVMs on larger datasets and support multi-class classification tasks via a one-vs-one approach. Our method is validated through simulations and real-machine experiments on binary and multi-class datasets. On the banknote binary classification dataset, our CIM-based QSVM, utilizing an energy-based probabilistic approach, achieved up to 20% higher accuracy compared to the original QSVM, while training up to $10^4$ times faster than simulated annealing methods. Compared with classical SVM, our approach either matched or reduced training time. On the IRIS three-class dataset, our improved QSVM outperformed existing QSVM models in all key metrics. As quantum technology advances, increased qubit counts are expected to further enhance QSVM performance relative to classical SVM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google