Ein neuer Algorithmus für Quantenmaschinelles Lernen: Split-Hidden-Quanten-Markov-Modell, inspiriert von der quantenbedingten Master-Gleichung

Ein neuer Algorithmus für Quantenmaschinelles Lernen: Split-Hidden-Quanten-Markov-Modell, inspiriert von der quantenbedingten Master-Gleichung

Zeitstempel: 24. Januar 2024, 7:38 Uhr
Quellknoten: 3083772

Xiao-Yu Li1, Qin-Sheng Zhu2, Yong Hu2, Hao Wu2,3, Guo-Wu Yang4, Lian-Hui Yu2, und Geng Chen4

1School of Information and Software Engineering, University of Electronic Science and Technology of China, Cheng Du, 610054, China
2Fakultät für Physik, Universität für elektronische Wissenschaft und Technologie Chinas, Cheng Du, 610054, China
3Institut für Elektronik- und Informationsindustrietechnologie von Kash, Kash, 844000, China
4School of Computer Science and Engineering, University of Electronic Science and Technology of China, Cheng Du, 610054, China

Findest du dieses Paper interessant oder möchtest du darüber diskutieren? Scite oder hinterlasse einen Kommentar zu SciRate.

Abstrakt

Das Hidden Quantum Markov Model (HQMM) bietet ein erhebliches Potenzial für die Analyse von Zeitreihendaten und die Untersuchung stochastischer Prozesse im Quantenbereich als Upgrade-Option mit potenziellen Vorteilen gegenüber klassischen Markov-Modellen. In diesem Artikel haben wir das geteilte HQMM (SHQMM) zur Implementierung des verborgenen Quanten-Markov-Prozesses vorgestellt und dabei die bedingte Hauptgleichung mit einer Feinausgleichsbedingung verwendet, um die Verbindungen zwischen den internen Zuständen des Quantensystems zu demonstrieren. Die experimentellen Ergebnisse legen nahe, dass unser Modell frühere Modelle hinsichtlich Anwendungsbereich und Robustheit übertrifft. Darüber hinaus etablieren wir einen neuen Lernalgorithmus zur Lösung von Parametern in HQMM, indem wir die quantenbedingte Mastergleichung mit dem HQMM in Beziehung setzen. Schließlich liefert unsere Studie klare Beweise dafür, dass das Quantentransportsystem als physikalische Darstellung von HQMM betrachtet werden kann. Das SHQMM mit begleitenden Algorithmen stellt eine neuartige Methode zur Analyse von Quantensystemen und Zeitreihen dar, die auf physikalischer Implementierung basiert.

Ausgewähltes Bild: Das erweiterte Berechnungsdiagramm von $ρ^n(t)$ für eine Reihe von Folgen $y_0$, $y_1$ · · · , $y_T$.

Populäre Zusammenfassung

In dieser Arbeit stellen wir ausgehend vom Rahmen der physikalischen Theorie offener Systeme und unter Verwendung der Quantenbedingungs-Mastergleichung, die aus der Einführung detaillierter Gleichgewichtsbedingungen abgeleitet wurde, theoretisch die Verbindung zwischen der Quantenbedingungs-Mastergleichung und dem Quanten-Hidden-Markov-Modell her. Gleichzeitig schlagen wir ein neuartiges Splitting Quantum Markov Model (SHQMM) vor. Spannenderweise bestätigen experimentelle Ergebnisse nicht nur die Überlegenheit von Quantenalgorithmen gegenüber klassischen Algorithmen, sondern zeigen auch, dass unser Modell frühere HQMMs übertrifft und breite Anwendungsmöglichkeiten bei der Untersuchung interner Zustände von Quantensystemen bietet.

► BibTeX-Daten

► Referenzen

[1] Juan I Cirac und Peter Zoller. „Quantenberechnungen mit kalt gefangenen Ionen“. Physical Review Letters 74, 4091 (1995).
https://doi.org/ 10.1103/physrevlett.74.4091

[2] Emanuel Knill, Raymond Laflamme und Gerald J. Milburn. „Ein Schema für effiziente Quantenberechnung mit linearer Optik“. Natur 409, 46–52 (2001).
https: / / doi.org/ 10.1038 / 35051009

[3] Jacob Biamonte, Peter Wittek, Nicola Pancotti, Patrick Rebentrost, Nathan Wiebe und Seth Lloyd. „Quantenmaschinelles Lernen“. Natur 549, 195–202 (2017).
https: / / doi.org/ 10.1038 / nature23474

[4] M Cerezo, Guillaume Verdon, Hsin-Yuan Huang, Lukasz Cincio und Patrick J Coles. „Herausforderungen und Chancen beim Quantenmaschinellen Lernen“. Nature Computational Science 2, 567–576 (2022).
https:/​/​doi.org/​10.1038/​s43588-022-00311-3

[5] Kishor Bharti, Alba Cervera-Lierta, Thi Ha Kyaw, Tobias Haug, Sumner Alperin-Lea, Abhinav Anand, Matthias Degroote, Hermanni Heimonen, Jakob S. Kottmann, Tim Menke, et al. „Verrauschte Quantenalgorithmen mittlerer Skala (nisq) (2021)“ (2021). arXiv:2101.08448v1.
arXiv: 2101.08448v1

[6] Alán Aspuru-Guzik, Roland Lindh und Markus Reiher. „Die Materiesimulation(r)evolution“. ACS Central Science 4, 144–152 (2018).
https://​/​doi.org/​10.1021/​acscentsci.7b00550

[7] Iulia M. Georgescu, Sahel Ashhab und Franco Nori. „Quantensimulation“. Rezensionen von Modern Physics 86, 153 (2014).
https: / / doi.org/ 10.1103 / RevModPhys.86.153

[8] Markus Reiher, Nathan Wiebe, Krysta M. Svore, Dave Wecker und Matthias Troyer. „Aufklärung von Reaktionsmechanismen auf Quantencomputern“. Proceedings of the National Academy of Sciences 114, 7555–7560 (2017).
https: / / doi.org/ 10.1073 / pnas.1619152114

[9] Yudong Cao, Jhonathan Romero und Alán Aspuru-Guzik. „Potenzial des Quantencomputings für die Wirkstoffforschung“. IBM Journal of Research and Development 62, 6–1 (2018).
https: / / doi.org/ 10.1147 / JRD.2018.2888987

[10] Roman Orus, Samuel Mugel und Enrique Lizaso. „Quantencomputing für Finanzen: Überblick und Perspektiven“. Rezensionen in Physik 4, 100028 (2019).
https: // doi.org/ 10.1016 / j.revip.2019.100028

[11] Pierre-Luc Dallaire-Demers, Jonathan Romero, Libor Veis, Sukin Sim und Alán Aspuru-Guzik. „Low-Depth-Schaltungsansatz zur Herstellung korrelierter fermionischer Zustände auf einem Quantencomputer“. Quantenwissenschaft und -technologie 4, 045005 (2019).
https: / / doi.org/ 10.1088 / 2058-9565 / ab3951

[12] Elizabeth Fons, Paula Dawson, Jeffrey Yau, Xiao-jun Zeng und John Keane. „Ein neuartiges dynamisches Asset-Allokationssystem, das Feature Saliency Hidden Markov-Modelle für intelligente Beta-Investitionen nutzt.“ Expertensysteme mit Anwendungen 163, 113720 (2021).
https://​/​doi.org/​10.1016/​j.eswa.2020.113720

[13] PV Chandrika, K. Visalakshmi und K. Sakthi Srinivasan. „Anwendung von Hidden-Markov-Modellen im Aktienhandel“. Im Jahr 2020 6. Internationale Konferenz für fortgeschrittene Computer- und Kommunikationssysteme (ICACCS). Seiten 1144–1147. (2020).
https://​/​doi.org/​10.1109/​ICACCS48705.2020.9074387

[14] Dima Suleiman, Arafat Awajan und Wael Al Etaiwi. „Die Verwendung des Hidden-Markov-Modells in der Verarbeitung natürlicher arabischer Sprache: Eine Umfrage“. Procedia Informatik 113, 240–247 (2017).
https://​/​doi.org/​10.1016/​j.procs.2017.08.363

[15] Hariz Zakka Muhammad, Muhammad Nasrun, Casi Setianingsih und Muhammad Ary Murti. „Spracherkennung für Englisch-Indonesisch-Übersetzer unter Verwendung des Hidden-Markov-Modells“. Im Jahr 2018 Internationale Konferenz über Signale und Systeme (ICSigSys). Seiten 255–260. IEEE (2018).
https://​/​doi.org/​10.1109/​ICSIGSYS.2018.8372768

[16] Erik LL Sonnhammer, Gunnar Von Heijne, Anders Krogh, et al. „Ein verstecktes Markov-Modell zur Vorhersage von Transmembranhelices in Proteinsequenzen“. In LSMB 1998. Seiten 175–182. (1998). URL: https://​/​cdn.aaai.org/​ISMB/​1998/​ISMB98-021.pdf.
https://​/​cdn.aaai.org/​ISMB/​1998/​ISMB98-021.pdf

[17] Gary Xie und Jeanne M Fair. „Hidden-Markov-Modell: ein kürzester, einzigartiger repräsentativer Ansatz zum Nachweis von Proteintoxinen, Virulenzfaktoren und Antibiotikaresistenzgenen“. BMC Research Notes 14, 1–5 (2021).
https://​/​doi.org/​10.21203/​rs.3.rs-185430/​v1

[18] Sean R. Eddy. „Was ist ein Hidden-Markov-Modell?“ Nature Biotechnology 22, 1315–1316 (2004).
https://​/​doi.org/​10.1038/​nbt1004-1315

[19] Paul M Baggenstoss. „Ein modifizierter Baum-Welch-Algorithmus für Hidden-Markov-Modelle mit mehreren Beobachtungsräumen“. IEEE Transactions on Speech and Audio Processing 9, 411–416 (2001).
https: / / doi.org/ 10.1109 / 89.917686

[20] Aleksandar Kavcic und Jose MF Moura. „Der Viterbi-Algorithmus und das Markov-Rauschgedächtnis“. IEEE Transactions on Information Theory 46, 291–301 (2000).
https: / / doi.org/ 10.1109 / 18.817531

[21] Todd K. Moon. „Der Erwartungsmaximierungsalgorithmus“. IEEE Signal Processing Magazine 13, 47–60 (1996).
https: / / doi.org/ 10.1109 / 79.543975

[22] Alex Monras, Almut Beige und Karoline Wiesner. „Versteckte Quanten-Markov-Modelle und nicht-adaptives Auslesen von Vielteilchenzuständen“ (2010). arXiv:1002.2337.
arXiv: 1002.2337

[23] Siddarth Srinivasan, Geoff Gordon und Byron Boots. „Lernen versteckter Quanten-Markov-Modelle“. In Amos Storkey und Fernando Perez-Cruz, Herausgeber, Proceedings of the Twenty-First International Conference on Artificial Intelligence and Statistics. Band 84 der Proceedings of Machine Learning Research, Seiten 1979–1987. PMLR (2018). URL: https://​/​proceedings.mlr.press/​v84/​srinivasan18a.html.
https://​/​proceedings.mlr.press/​v84/​srinivasan18a.html

[24] Herbert Jäger. „Beobachtbare Operatormodelle für diskrete stochastische Zeitreihen“. Neuronale Berechnung 12, 1371–1398 (2000).
https: / / doi.org/ 10.1162 / 089976600300015411

[25] Qing Liu, Thomas J. Elliott, Felix C. Binder, Carlo Di Franco und Mile Gu. „Optimale stochastische Modellierung mit einheitlicher Quantendynamik“. Physik. Rev. A 99, 062110 (2019).
https: / / doi.org/ 10.1103 / PhysRevA.99.062110

[26] Thomas J. Elliott. „Speicherkomprimierung und thermische Effizienz von Quantenimplementierungen nichtdeterministischer Hidden-Markov-Modelle“. Physical Review A 103, 052615 (2021).
https: / / doi.org/ 10.1103 / PhysRevA.103.052615

[27] Sandesh Adhikary, Siddarth Srinivasan, Geoff Gordon und Byron Boots. „Ausdruckskraft und Lernen versteckter Quanten-Markov-Modelle“. In der Internationalen Konferenz über künstliche Intelligenz und Statistik. Seiten 4151–4161. (2020). URL: http://​/​proceedings.mlr.press/​v108/​adhikary20a/​adhikary20a.pdf.
http://​/​proceedings.mlr.press/​v108/​adhikary20a/​adhikary20a.pdf

[28] Bo Jiang und Yu-Hong Dai. „Ein Rahmen für restriktionserhaltende Aktualisierungsschemata zur Optimierung der Stiefel-Mannigfaltigkeit“. Mathematische Programmierung 153, 535–575 (2015).
https:/​/​doi.org/​10.1007/​s10107-014-0816-7

[29] Vanio Markov, Vladimir Rastunkov, Amol Deshmukh, Daniel Fry und Charlee Stefanski. „Implementierung und Lernen von Quanten-Hidden-Markov-Modellen“ (2022). arXiv:2212.03796v2.
arXiv: 2212.03796v2

[30] Xiantao Li und Chunhao Wang. „Simulation markovianischer offener Quantensysteme mithilfe der Serienentwicklung höherer Ordnung“ (2022). arXiv:2212.02051v2.
arXiv: 2212.02051v2

[31] Yoshitaka Tanimura. „Stochastische Liouville-, Langevin-, Fokker-Planck- und Master-Gleichungsansätze für quantendissipative Systeme“. Journal of the Physical Society of Japan 75, 082001 (2006).
https: / / doi.org/ 10.1143 / JPSJ.75.082001

[32] Akihito Ishizaki und Graham R. Fleming. „Einheitliche Behandlung der quantenkohärenten und inkohärenten Sprungdynamik bei der elektronischen Energieübertragung: Ansatz mit reduzierter Hierarchiegleichung“. Das Journal of Chemical Physics 130 (2009).
https: / / doi.org/ 10.1063 / 1.3155372

[33] Jinshuang Jin, Xiao Zheng und YiJing Yan. „Exakte Dynamik dissipativer elektronischer Systeme und Quantentransport: Hierarchischer Bewegungsgleichungsansatz“. Das Journal of Chemical Physics 128 (2008).
https: / / doi.org/ 10.1063 / 1.2938087

[34] Lewis A. Clark, Wei Huang, Thomas M. Barlow und Almut Beige. „Versteckte Quanten-Markov-Modelle und offene Quantensysteme mit sofortiger Rückkopplung“. Im ISCS 2014 Interdisziplinäres Symposium über komplexe Systeme. Seiten 143–151. (2015).
https:/​/​doi.org/​10.1007/​978-3-319-10759-2$_$16

[35] Xin-Qi Li, JunYan Luo, Yong-Gang Yang, Ping Cui und YiJing Yan. „Quanten-Master-Gleichungsansatz zum Quantentransport durch mesoskopische Systeme“. Physical Review B 71, 205304 (2005).
https://doi.org/ 10.1103/PhysRevB.71.205304

[36] Michael J Kastoryano, Fernando GSL Brandão, András Gilyén, et al. „Quantenthermische Zustandsvorbereitung“ (2023). arXiv:2303.18224.
arXiv: 2303.18224

[37] Ming-Jie Zhao und Herbert Jaeger. „Normbeobachtbare Operatormodelle“. Neuronale Berechnung 22, 1927–1959 (2010).
https://​/​doi.org/​10.1162/​neco.2010.03-09-983

[38] Sandesh Adhikary, Siddarth Srinivasan und Byron Boots. „Lernen von Quantengrafikmodellen mithilfe eines eingeschränkten Gradientenabstiegs auf der Stiefel-Mannigfaltigkeit“ (2019). arXiv:2101.08448v1.
arXiv: 2101.08448v1

[39] MS Vijayabaskar David R. Westhead, Herausgeber. „Versteckte Markov-Modelle“. Band 2, Seite 18. Humana New York, NY. (2017).
https:/​/​doi.org/​10.1007/​978-1-4939-6753-7

Zitiert von

Dieses Papier ist in Quantum unter dem veröffentlicht Creative Commons Namensnennung 4.0 International (CC BY 4.0) Lizenz. Das Copyright verbleibt bei den ursprünglichen Copyright-Inhabern wie den Autoren oder deren Institutionen.

Zeitstempel:

Mehr von Quantenjournal