Maskininlärning för klassificering med en kvantdator
dc.contributor.author | Broback, Erik | |
dc.contributor.author | Henkow, Victor | |
dc.contributor.author | Liljenzin, Oscar | |
dc.contributor.author | Lund, Andreas | |
dc.contributor.author | Maltesson, Alex | |
dc.contributor.author | Zaya, Emil | |
dc.contributor.department | Chalmers tekniska högskola / Institutionen för mikroteknologi och nanovetenskap (MC2) | sv |
dc.contributor.examiner | Lundgren, Per | |
dc.contributor.supervisor | Fitzek, David | |
dc.contributor.supervisor | Frisk Kockum, Anton | |
dc.date.accessioned | 2022-08-01T07:30:02Z | |
dc.date.available | 2022-08-01T07:30:02Z | |
dc.date.issued | 2022 | sv |
dc.date.submitted | 2020 | |
dc.description.abstract | 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. | sv |
dc.identifier.coursecode | MCCX02 | sv |
dc.identifier.uri | https://hdl.handle.net/20.500.12380/305248 | |
dc.language.iso | swe | sv |
dc.setspec.uppsok | PhysicsChemistryMaths | |
dc.subject | Maskininlärning | sv |
dc.subject | Kvantdatorer | sv |
dc.subject | Kvantmaskininlärning | sv |
dc.subject | Stödvektormaskin | sv |
dc.subject | Kvantmekanisk variationell klassificerare | sv |
dc.subject | Kvantmekanisk kärnfunktionsuppskattare | sv |
dc.title | Maskininlärning för klassificering med en kvantdator | sv |
dc.type.degree | Examensarbete för kandidatarbete | sv |
dc.type.uppsok | M2 |
Ladda ner
Original bundle
1 - 1 av 1
Hämtar...
- Namn:
- Kandidatarbete_maskininlarning_kvantdator_slutversion.pdf
- Storlek:
- 1.56 MB
- Format:
- Adobe Portable Document Format
- Beskrivning:
License bundle
1 - 1 av 1
Hämtar...
- Namn:
- license.txt
- Storlek:
- 1.51 KB
- Format:
- Item-specific license agreed upon to submission
- Beskrivning: