基于量子核的机器学习方法在 IonQ 和 IBM 量子计算机上的误差缓解
量子物理
2022-07-05 v3
摘要
核方法是大多数经典机器学习算法（如高斯过程（GP）和支持向量机（SVM））的基础。由于近期含噪声中等规模量子（NISQ）器件设计的进展，使用 NISQ 器件计算核引起了相当大的关注。然而，当前 NISQ 器件上的噪声和错误会对预测的核产生负面影响。在本文中，我们利用两种量子核机器学习（ML）算法在两种不同的 NISQ 器件上预测乳腺癌数据集的标签：量子核高斯过程（qkGP）和量子核支持向量机（qkSVM）。我们在 11 量子比特的 IonQ 和 5 量子比特的 IBMQ Belem 量子器件上估计量子核。我们的结果表明，误差缓解的量子核机器学习算法的预测性能相比其未缓解对应算法有显著提升。在两种 NISQ 器件上，预测性能变得与无噪声量子模拟器及其经典对应算法相当。
引用
@article{arxiv.2206.01573,
title = {Error mitigation for quantum kernel based machine learning methods on IonQ and IBM quantum computers},
author = {Sasan Moradi and Christoph Brandner and Macauley Coggins and Robert Wille and Wolfgang Drexler and Laszlo Papp},
journal= {arXiv preprint arXiv:2206.01573},
year = {2022}
}
备注
The result of paper is for IBMQ Belem Computer with old technology