Maskininlärning för klassificering med en kvantdator
Typ
Examensarbete för kandidatarbete
Program
Publicerad
2022
Författare
Broback, Erik
Henkow, Victor
Liljenzin, Oscar
Lund, Andreas
Maltesson, Alex
Zaya, Emil
Modellbyggare
Tidskriftstitel
ISSN
Volymtitel
Utgivare
Sammanfattning
I detta arbete implementeras och undersöks en klassisk och två kvantmekaniska maskininlärningsalgoritmer för att se om kvantalgoritmerna har någon fördel gentemot den klassiska. De algoritmer som undersöks är en stödvektormaskin (SVM), en kvantmekanisk variationell klassificerare (VQC) och en kvantmekanisk kärnfunktionsuppskattare (QKE). De kvantmekaniska algoritmerna testas i huvudsak med få (⩽ 7) kvantbitar genom simuleringar i mjukvarubiblioteken PennyLane och Qiskit, men även till viss del på riktiga kvantdatorer från IBMQ. Efter implementering och testande med olika datamängder, kärnfunktioner och tillståndsförberedelser jämförs prestandan för de olika algoritmerna, genom bedömning av noggrannheten och körtiden för varje test. Resultaten visar både via noggrannhet och körtid att SVM:en presterar bäst, QKE:n presterar näst bäst och i ett fall bättre än SVM:en, och VQC:n presterar sämst. Slutsatsen är att denna jämförelse inte är till kvantalgoritmernas fördel, då den klassiska algoritmen redan löser klassificering väl. Förmodligen finns mer potential hos kvantalgoritmer när det kommer till att lösa andra problem som klassiska algoritmer inte kan hantera.
Beskrivning
Ämne/nyckelord
Maskininlärning , Kvantdatorer , Kvantmaskininlärning , Stödvektormaskin , Kvantmekanisk variationell klassificerare , Kvantmekanisk kärnfunktionsuppskattare