Maskininlärning för klassificering med en kvantdator

Visa enkel post
dc.contributor.authorBroback, Erik
dc.contributor.authorHenkow, Victor
dc.contributor.authorLiljenzin, Oscar
dc.contributor.authorLund, Andreas
dc.contributor.authorMaltesson, Alex
dc.contributor.authorZaya, Emil
dc.contributor.departmentChalmers tekniska högskola / Institutionen för mikroteknologi och nanovetenskap (MC2)sv
dc.contributor.examinerLundgren, Per
dc.contributor.supervisorFitzek, David
dc.contributor.supervisorFrisk Kockum, Anton
dc.date.accessioned2022-08-01T07:30:02Z
dc.date.available2022-08-01T07:30:02Z
dc.date.issued2022sv
dc.date.submitted2020
dc.description.abstractI 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.sv
dc.identifier.coursecodeMCCX02sv
dc.identifier.urihttps://hdl.handle.net/20.500.12380/305248
dc.language.isoswesv
dc.setspec.uppsokPhysicsChemistryMaths
dc.subjectMaskininlärningsv
dc.subjectKvantdatorersv
dc.subjectKvantmaskininlärningsv
dc.subjectStödvektormaskinsv
dc.subjectKvantmekanisk variationell klassificeraresv
dc.subjectKvantmekanisk kärnfunktionsuppskattaresv
dc.titleMaskininlärning för klassificering med en kvantdatorsv
dc.type.degreeExamensarbete för kandidatarbetesv
dc.type.uppsokM2
Ladda ner
Original bundle
Visar 1 - 1 av 1
Bild (thumbnail)
Namn:
Kandidatarbete_maskininlarning_kvantdator_slutversion.pdf
Storlek:
1.56 MB
Format:
Adobe Portable Document Format
Beskrivning:
Ladda ner
License bundle
Visar 1 - 1 av 1
Bild (thumbnail)
Namn:
license.txt
Storlek:
1.51 KB
Format:
Item-specific license agreed upon to submission
Beskrivning:
Ladda ner
Samling
Examensarbeten för kandidatexamen