面向材料合成与硬件安全的量子机器学习
量子物理
2022-08-18 v1 机器学习
摘要
本文利用量子计算解决了两个具有科学紧迫性和日常相关性的问题，即作为药物/材料发现重要步骤的化学逆合成，以及半导体供应链的安全性。我们展示了量子长短期记忆（QLSTM）是逆合成的可行工具。我们使用QLSTM达到了65%的训练准确率，而经典LSTM可达到100%。然而在测试中，我们使用QLSTM达到了80%的准确率，而经典LSTM仅峰值为70%的准确率！我们还展示了量子神经网络（QNN）在硬件安全领域的应用，具体是利用一组功耗和面积木马特征进行硬件木马（HT）检测。该QNN模型的检测准确率高达97.27%。
引用
@article{arxiv.2208.08273,
title = {Quantum Machine Learning for Material Synthesis and Hardware Security},
author = {Collin Beaudoin and Satwik Kundu and Rasit Onur Topaloglu and Swaroop Ghosh},
journal= {arXiv preprint arXiv:2208.08273},
year = {2022}
}
备注
7 pages, ICCAD'22