小型量子计算机上的核心集聚类
量子物理
2020-05-01 v1 机器学习
摘要
许多用于机器学习的量子算法需要以叠加方式访问经典数据。然而，对于许多自然数据集与算法，以叠加加载数据集所需的开销可能抹除相对于经典算法的任何潜在量子加速。Harrow近期的著作引入了一种混合量子-经典计算新范式以应对该问题，其依赖核心集来最小化量子算法的数据加载开销。我们研究利用该范式在近 term 量子计算机上执行-means聚类，将其表述为小型核心集上的QAOA优化实例。我们在IBM Q硬件上通过数值与实验将该方法与经典-means聚类进行比较。我们找到了核心集相对于随机采样表现良好、且QAOA可能在核心集上超越标准-means的数据集。然而，要找到核心集与QAOA均表现良好（这是在整个数据集上相对于-means取得量子优势所必需的）的数据集似乎颇具挑战。
引用
@article{arxiv.2004.14970,
title = {Coreset Clustering on Small Quantum Computers},
author = {Teague Tomesh and Pranav Gokhale and Eric R. Anschuetz and Frederic T. Chong},
journal= {arXiv preprint arXiv:2004.14970},
year = {2020}
}