在可编程光子量子处理器上的主动学习
量子物理
2022-08-04 v1 人工智能
摘要
训练量子机器学习模型通常需要大规模标注数据集，这带来高昂的标注与计算成本。为降低此类成本，一种称为主动学习（AL）的选择性训练策略仅选取原始数据集的一个子集进行学习，同时保持所训练模型的性能。在此，我们设计并实现了两种由 AL 增强的变分量子分类器，以探究 AL 在量子机器学习中的潜在应用与有效性。首先，我们构建了一个可编程自由空间光子量子处理器，其能够实现各类混合量子-经典计算算法的编程化执行。随后，我们将设计的带 AL 的变分量子分类器编码入该量子处理器，并对采用与未采用 AL 策略的分类器进行比对测试。结果验证了 AL 在量子机器学习中的巨大优势：在数据分类任务上，与无 AL 的训练相比，其最多节省 的标注工作量与 的计算工作量。我们的结果启发了 AL 在大规模量子机器学习中的进一步应用，以大幅减少训练数据并加速训练，支撑在量子物理或真实世界应用中探索实用量子优势。
引用
@article{arxiv.2208.02104,
title = {Active Learning on a Programmable Photonic Quantum Processor},
author = {Chen Ding and Xiao-Yue Xu and Yun-Fei Niu and Shuo Zhang and Wan-Su Bao and He-Liang Huang},
journal= {arXiv preprint arXiv:2208.02104},
year = {2022}
}