Un nouvel algorithme d'apprentissage automatique quantique : modèle de Markov quantique caché divisé inspiré de l'équation maîtresse conditionnelle quantique

Un nouvel algorithme d'apprentissage automatique quantique : modèle de Markov quantique caché divisé inspiré de l'équation maîtresse conditionnelle quantique

Horodatage: 24 janvier 2024 7:38 AM
Nœud source: 3083772

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

1École d'ingénierie de l'information et du logiciel, Université des sciences et technologies électroniques de Chine, Cheng Du, 610054, Chine
2École de physique, Université des sciences et technologies électroniques de Chine, Cheng Du, 610054, Chine
3Institut des technologies de l'électronique et de l'industrie de l'information de Kash, Kash, 844000, Chine
4École d'informatique et d'ingénierie, Université des sciences et technologies électroniques de Chine, Cheng Du, 610054, Chine

Vous trouvez cet article intéressant ou souhaitez en discuter? Scite ou laisse un commentaire sur SciRate.

Abstract

Le modèle de Markov quantique caché (HQMM) présente un potentiel important pour analyser les données de séries chronologiques et étudier les processus stochastiques dans le domaine quantique en tant qu'option de mise à niveau présentant des avantages potentiels par rapport aux modèles de Markov classiques. Dans cet article, nous avons présenté le HQMM divisé (SHQMM) pour mettre en œuvre le processus de Markov quantique caché, en utilisant l'équation principale conditionnelle avec une condition d'équilibre fin pour démontrer les interconnexions entre les états internes du système quantique. Les résultats expérimentaux suggèrent que notre modèle surpasse les modèles précédents en termes de portée d'applications et de robustesse. De plus, nous établissons un nouvel algorithme d'apprentissage pour résoudre les paramètres dans HQMM en reliant l'équation maîtresse conditionnelle quantique au HQMM. Enfin, notre étude fournit la preuve claire que le système de transport quantique peut être considéré comme une représentation physique de HQMM. Le SHQMM et les algorithmes qui l'accompagnent présentent une nouvelle méthode pour analyser les systèmes quantiques et les séries chronologiques fondées sur une mise en œuvre physique.

Image présentée : Le diagramme de calcul étendu de $ρ^n(t)$ pour un ensemble de séquences $y_0$, $y_1$ · · · , $y_T$.

Résumé populaire

Dans ce travail, en partant du cadre de la théorie physique des systèmes ouverts et en utilisant l'équation principale des conditions quantiques dérivée de l'introduction de conditions d'équilibre détaillées, nous établissons théoriquement le lien entre l'équation principale des conditions quantiques et le modèle de Markov quantique caché. Simultanément, nous proposons un nouveau modèle de Markov quantique à division (SHQMM). Il est intéressant de noter que les résultats expérimentaux valident non seulement la supériorité des algorithmes quantiques sur les algorithmes classiques, mais démontrent également que notre modèle surpasse les HQMM précédents, offrant de larges applications dans l’étude des états internes des systèmes quantiques.

► Données BibTeX

► Références

Juan I Cirac et Peter Zoller. « Calculs quantiques avec des ions piégés à froid ». Lettres d'examen physique 74, 4091 (1995).
https: / / doi.org/ 10.1103 / physrevlett.74.4091

Emanuel Knill, Raymond Laflamme et Gerald J Milburn. "Un schéma pour un calcul quantique efficace avec l'optique linéaire". nature 409, 46-52 (2001).
https: / / doi.org/ 10.1038 / 35051009

Jacob Biamonte, Peter Wittek, Nicola Pancotti, Patrick Rebentrost, Nathan Wiebe et Seth Lloyd. "Apprentissage automatique quantique". Nature 549, 195-202 (2017).
https: / / doi.org/ 10.1038 / nature23474

M Cerezo, Guillaume Verdon, Hsin-Yuan Huang, Lukasz Cincio et Patrick J Coles. "Défis et opportunités de l'apprentissage automatique quantique". Science informatique de la nature 2, 567-576 (2022).
https:/​/​doi.org/​10.1038/​s43588-022-00311-3

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. « Algorithmes quantiques (nisq) bruyants à échelle intermédiaire (2021) » (2021). arXiv:2101.08448v1.
arXiv: 2101.08448v1

Alán Aspuru-Guzik, Roland Lindh et Markus Reiher. « L’évolution de la simulation de matière ». ACS science centrale 4, 144-152 (2018).
https://​/​doi.org/​10.1021/​acscentsci.7b00550

Iulia M Georgescu, Sahel Ashhab et Franco Nori. « Simulation quantique ». Revues de Physique moderne 86, 153 (2014).
https: / / doi.org/ 10.1103 / RevModPhys.86.153

Markus Reiher, Nathan Wiebe, Krysta M Svore, Dave Wecker et Matthias Troyer. "Élucider les mécanismes de réaction sur les ordinateurs quantiques". Actes de l'Académie nationale des sciences 114, 7555-7560 (2017).
https: / / doi.org/ 10.1073 / pnas.1619152114

Yudong Cao, Jhonathan Romero et Alán Aspuru-Guzik. "Potentiel de l'informatique quantique pour la découverte de médicaments". IBM Journal of Research and Development 62, 6–1 (2018).
https: / / doi.org/ 10.1147 / JRD.2018.2888987

Roman Orus, Samuel Mugel et Enrique Lizaso. « L'informatique quantique pour la finance : aperçu et perspectives ». Commentaires dans Physics 4, 100028 (2019).
https: / / doi.org/ 10.1016 / j.revip.2019.100028

Pierre-Luc Dallaire-Demers, Jonathan Romero, Libor Veis, Sukin Sim et Alán Aspuru-Guzik. "Ansatz de circuit de faible profondeur pour préparer des états fermioniques corrélés sur un ordinateur quantique". Science et technologie quantiques 4, 045005 (2019).
https: / / doi.org/ 10.1088 / 2058-9565 / ab3951

Elizabeth Fons, Paula Dawson, Jeffrey Yau, Xiao-jun Zeng et John Keane. «Un nouveau système d'allocation d'actifs dynamique utilisant des modèles de Markov cachés à saillie de fonctionnalités pour l'investissement bêta intelligent». Systèmes experts avec applications 163, 113720 (2021).
https://​/​doi.org/​10.1016/​j.eswa.2020.113720

PV Chandrika, K Visalakshmi et K Sakthi Srinivasan. "Application des modèles de Markov cachés dans le trading d'actions". En 2020, 6e Conférence internationale sur les systèmes informatiques et de communication avancés (ICACCS). Pages 1144 à 1147. (2020).
https://​/​doi.org/​10.1109/​ICACCS48705.2020.9074387

Dima Suleiman, Arafat Awajan et Wael Al Etaiwi. « L'utilisation du modèle de Markov caché dans le traitement du langage arabe naturel : une enquête ». Procedia informatique 113, 240-247 (2017).
https://​/​doi.org/​10.1016/​j.procs.2017.08.363

Hariz Zakka Muhammad, Muhammad Nasrun, Casi Setianingsih et Muhammad Ary Murti. "Reconnaissance vocale pour traducteur anglais-indonésien utilisant le modèle de Markov caché". En 2018 Conférence internationale sur les signaux et les systèmes (ICSigSys). Pages 255 à 260. IEEE (2018).
https://​/​doi.org/​10.1109/​ICSIGSYS.2018.8372768

Erik LL Sonnhammer, Gunnar Von Heijne, Anders Krogh et al. "Un modèle de Markov caché pour prédire les hélices transmembranaires dans les séquences protéiques". Dans LSMB 1998. Pages 175-182. (1998). URL : https://​/​cdn.aaai.org/​ISMB/​1998/​ISMB98-021.pdf.
https://​/​cdn.aaai.org/​ISMB/​1998/​ISMB98-021.pdf

Gary Xie et Jeanne M Fair. "Modèle de Markov caché : une approche représentative unique la plus courte pour détecter les toxines protéiques, les facteurs de virulence et les gènes de résistance aux antibiotiques". Notes de recherche BMC 14, 1–5 (2021).
https://​/​doi.org/​10.21203/​rs.3.rs-185430/​v1

Sean R. Eddy. « Qu'est-ce qu'un modèle de Markov caché ? Biotechnologie naturelle 22, 1315-1316 (2004).
https://​/​doi.org/​10.1038/​nbt1004-1315

Paul M. Baggenstoss. "Un algorithme baum-welch modifié pour les modèles de Markov cachés avec plusieurs espaces d'observation". Transactions IEEE sur le traitement de la parole et de l'audio 9, 411-416 (2001).
https: / / doi.org/ 10.1109 / 89.917686

Aleksandar Kavcic et José MF Moura. "L'algorithme de Viterbi et la mémoire du bruit de Markov". Transactions IEEE sur la théorie de l'information 46, 291-301 (2000).
https: / / doi.org/ 10.1109 / 18.817531

Todd K. Lune. "L'algorithme de maximisation des attentes". Magazine de traitement du signal IEEE 13, 47-60 (1996).
https: / / doi.org/ 10.1109 / 79.543975

Alex Monras, Almut Beige et Karoline Wiesner. «Modèles de Markov quantiques cachés et lecture non adaptative des états à plusieurs corps» (2010). arXiv : 1002.2337.
arXiv: 1002.2337

Siddarth Srinivasan, Geoff Gordon et Byron Boots. "Apprendre des modèles de Markov quantiques cachés". Dans Amos Storkey et Fernando Perez-Cruz, éditeurs, Actes de la vingt et unième Conférence internationale sur l'intelligence artificielle et les statistiques. Volume 84 des Actes de la recherche sur l'apprentissage automatique, pages 1979-1987. PMLR (2018). URL : https://​/​proceedings.mlr.press/​v84/​srinivasan18a.html.
https://​/​proceedings.mlr.press/​v84/​srinivasan18a.html

Herbert Jaeger. "Modèles d'opérateurs observables pour les séries temporelles stochastiques discrètes". Calcul neuronal 12, 1371-1398 (2000).
https: / / doi.org/ 10.1162 / 089976600300015411

Qing Liu, Thomas J. Elliott, Felix C. Binder, Carlo Di Franco et Mile Gu. "Modélisation stochastique optimale avec dynamique quantique unitaire". Phys. Rév.A 99, 062110 (2019).
https: / / doi.org/ 10.1103 / PhysRevA.99.062110

Thomas J Elliott. "Compression mémoire et efficacité thermique des implémentations quantiques de modèles de Markov cachés non déterministes". Examen physique A 103, 052615 (2021).
https: / / doi.org/ 10.1103 / PhysRevA.103.052615

Sandesh Adhikary, Siddarth Srinivasan, Geoff Gordon et Byron Boots. "Expressivité et apprentissage des modèles de Markov quantiques cachés". Lors de la Conférence internationale sur l'intelligence artificielle et les statistiques. Pages 4151 à 4161. (2020). URL : http:/​/​proceedings.mlr.press/​v108/​adhikary20a/​adhikary20a.pdf.
http://​/​proceedings.mlr.press/​v108/​adhikary20a/​adhikary20a.pdf

Bo Jiang et Yu-Hong Dai. "Un cadre de schémas de mise à jour préservant les contraintes pour l'optimisation sur la variété Stiefel". Programmation mathématique 153, 535-575 (2015).
https:/​/​doi.org/​10.1007/​s10107-014-0816-7

Vanio Markov, Vladimir Rastunkov, Amol Deshmukh, Daniel Fry et Charlee Stefanski. « Implémentation et apprentissage de modèles de Markov cachés quantiques » (2022). arXiv :2212.03796v2.
arXiv: 2212.03796v2

Xiantao Li et Chunhao Wang. « Simulation de systèmes quantiques ouverts markoviens à l'aide d'une expansion en série d'ordre supérieur » (2022). arXiv :2212.02051v2.
arXiv: 2212.02051v2

Yoshitaka Tanimura. « Approches stochastiques de Liouville, Langevin, Fokker-Planck et équation maîtresse des systèmes dissipatifs quantiques ». Journal de la Société physique du Japon 75, 082001 (2006).
https: / / doi.org/ 10.1143 / JPSJ.75.082001

Akihito Ishizaki et Graham R. Fleming. "Traitement unifié de la dynamique de saut quantique cohérente et incohérente dans le transfert électronique d'énergie : approche d'équation à hiérarchie réduite". Le Journal de physique chimique 130 (2009).
https: / / doi.org/ 10.1063 / 1.3155372

Jinshuang Jin, Xiao Zheng et YiJing Yan. « Dynamique exacte des systèmes électroniques dissipatifs et du transport quantique : approche des équations hiérarchiques du mouvement ». Le Journal de physique chimique 128 (2008).
https: / / doi.org/ 10.1063 / 1.2938087

Lewis A Clark, Wei Huang, Thomas M Barlow et Almut Beige. "Modèles de Markov quantiques cachés et systèmes quantiques ouverts avec retour instantané". Dans le Symposium interdisciplinaire ISCS 2014 sur les systèmes complexes. Pages 143 à 151. (2015).
https:/​/​doi.org/​10.1007/​978-3-319-10759-2$_$16

Xin-Qi Li, JunYan Luo, Yong-Gang Yang, Ping Cui et YiJing Yan. "Approche par équation maîtresse quantique du transport quantique à travers des systèmes mésoscopiques". Examen physique B 71, 205304 (2005).
https: / / doi.org/ 10.1103 / PhysRevB.71.205304

Michael J Kastoryano, Fernando GSL Brandão, András Gilyén et al. « Préparation de l’état thermique quantique » (2023). arXiv :2303.18224.
arXiv: 2303.18224

Ming-Jie Zhao et Herbert Jaeger. « Modèles d'opérateurs normatifs observables ». Calcul neuronal 22, 1927-1959 (2010).
https://​/​doi.org/​10.1162/​neco.2010.03-09-983

Sandesh Adhikary, Siddarth Srinivasan et Byron Boots. « Apprentissage de modèles graphiques quantiques en utilisant la descente de gradient contrainte sur la variété Stiefel » (2019). arXiv:2101.08448v1.
arXiv: 2101.08448v1

MS Vijayabaskar David R. Westhead, rédacteur en chef. "Modèles de Markov cachés". Volume 2, page 18. Humana New York, New York. (2017).
https:/​/​doi.org/​10.1007/​978-1-4939-6753-7

Cité par

Cet article est publié dans Quantum sous le Creative Commons Attribution 4.0 International (CC BY 4.0) Licence. Le droit d'auteur reste la propriété des détenteurs d'origine tels que les auteurs ou leurs institutions.

Horodatage:

Plus de Journal quantique