一种混合量子赋能的 RBM 优势:用于量子图像压缩与生成学习的卷积自编码器
量子物理
2020-02-03 v1 新兴技术
机器学习
神经与进化计算
摘要
理解 D-Wave 量子计算机如何用于机器学习问题日益受到关注。我们的工作评估了将 D-Wave 用作机器学习采样器的可行性。我们描述了一种混合系统,它将经典深度神经网络自编码器与采用 D-Wave 的量子退火受限玻尔兹曼机(RBM)相结合。我们使用两个数据集 MNIST 数据集和 MNIST Fashion 数据集评估我们的混合自编码器算法。我们通过下游分类方法评估该方法的质量,其中训练基于量子 RBM 生成的样本。我们的方法克服了当前 2000 量子比特 D-Wave 处理器中的两个关键限制,即用于容纳全连接量子目标函数的典型问题规模可用的量子比特数量有限,以及样本为二值像素表示。由于这些限制,我们能够展示如何实现灰度 28 x 28 尺寸图像到二值 6 x 6 尺寸图像近 22 倍的压缩因子,并对原始 28 x 28 灰度图像进行有损恢复。我们进一步展示,在训练 RBM 后从 D-Wave 生成样本,得到的是原始输入数据分布变体的 28 x 28 图像,而非重建训练样本。我们构建了一个使用深度卷积神经网络的 MNIST 分类问题,该网络使用量子 RBM 的样本训练 MNIST 分类器,并将结果与使用原始 MNIST 训练数据集训练的 MNIST 分类器以及使用经典 RBM 样本训练的 MNIST 分类器进行比较。我们的混合自编码器方法显示出相对于当前经典计算机 RBM 实现用于基于图像的机器学习的 RBM 结果优势,并对下一代 D-Wave 量子系统展现出更有前景的结果。
引用
@article{arxiv.2001.11946,
title = {A Hybrid Quantum enabled RBM Advantage: Convolutional Autoencoders For Quantum Image Compression and Generative Learning},
author = {Jennifer Sleeman and John Dorband and Milton Halem},
journal= {arXiv preprint arXiv:2001.11946},
year = {2020}
}
备注
18 figures, 15 pages