机器学习 量子_量子机器学习
机器学习 量子
利用量子计算机上的支持向量机算法对数据进行有利的分类并解决复杂的问题。
量子…机器…学习…？？？
听起来非常令人生畏，我不得不承认所有这些单词都非常令人恐惧，因此如果您逃跑了，我不会把它丢给您。
对于那些坚持阅读整篇文章（保持精力充沛）的人，我将快速细分并解释这个新领域。 我的重点是量子支持向量机（SVM），但您还可以学习许多其他算法：)希望到本文结尾，我将帮助您理解量子机学习为何将帮助我们解决极其棘手的问题。
在本文中，您将了解：
- 什么是经典机器学习及其局限性
- 量子计算的介绍以及为何加速ML至关重要
- 量子SVM如何工作
- 我的个人项目和代码
经典机器学习：
机器学习分为三个不同的领域：有监督，无监督和强化。
在本文中，我们将研究专门受监督的学习， 支持向量机属于此类。
监督学习使用一组标记数据来训练机器学习算法，以理解特定任务，例如在两个不同的对象（猫与狗）之间进行分类。 该算法引入了一个新的未知数据点，并且根据其先前的训练，它必须预测如何对该新输入进行分类（无论是狗还是猫都是基于其不同特征集）。
古典计算机确实擅长在2d平面上进行分类（在2个不同的类别之间进行分类），但是，当达到n维分类（在多个不同的类别之间进行分类 ）时，此问题变得太复杂而无法解决。
这就是为什么我们需要…
量子计算
量子计算机将提供计算优势，可以对第n个维度的对象进行分类，而这在经典计算机上很难扩展。
他们利用量子力学定律，特别是叠加和纠缠来创建不可思议的计算能力。 量子芯片是使用以下方法创建的 显示这些属性，并用于映射计算机算法来解决复杂问题。
使用量子计算机和机器学习可以解决的一个具体问题是设计新的化合物。
我们可以使用ML来了解如何对诸如原子之类的复杂对象进行分类。 除此之外，这很难在经典计算机上进行模拟，因为随着更多原子被添加在一起以创建更大的分子，运动中的粒子将变得无法进行模拟，因为相互作用的程度变得越来越复杂。
简而言之，量子机器学习 将有助于提高计算能力，以解决难以解决的问题。
我们也可以应用的一些领域是：
- 了解纳米粒子
- 材料发现
- 设计化学药品
- 模式识别与分类
在以下方面可能非常有用的区域：
- 创造可应用于航天技术，可穿戴技术，可再生能源，纳米技术等的新材料。
- 发现新药和化学组合物以治疗不治之症
- 绘制我们的大脑电路
- 了解我们的基因构成
- 使用生物识别技术和物联网设备构建完全连接的安全性基础架构
- 关于我们宇宙的新物理发现
药物发现，规划大脑，解码我们所有的基因组以及我上面列出的其他领域是当前的问题，聪明的人们正在努力解决这些问题。 当今有许多不同的方法正在使用，例如机器学习，高级安全措施和对大量数据集进行建模。 但是，对于我们可以在传统计算机上计算的数据量有一个明确的限制，并且其中许多问题都需要大量的计算能力（可以想象同时绘制出大脑中数万亿个神经元！ 借助量子机器学习，许多悬而未决的问题现在已经具备了支持更严格的数据分析的基础结构，并使用ML来教计算机如何找到人类永远不会发现的隐藏模式。
支持向量机：
是用于分类和回归问题的监督学习算法。 在这种情况下，我们将它们用于对经典计算机而言过于复杂的对象的分类。
SVM可以对第n维空间中的对象进行分类，其中使用d-1计算基于决策的边界 。 这意味着分隔数据的超平面将比所有数据点的特征空间低一维。
为了拥有最准确的决策边界， SVM最大化了两类不同数据点之间的距离 。 这些数据点也是支持向量，最接近决策边界的点。 他们还可以对非线性可分离的数据进行分类，这意味着无法使用简单的直线对数据进行分类。
他们使用内核技巧将数据点投影到更高的维度，直到找到线性超平面将它们分离为止。
当数据点以更高的维度投影时，传统计算机很难通过如此大的计算进行计算。 因此，使用量子计算机可以轻松完成此任务，甚至可以以极高的维度计算出最复杂的数据集以进行准确分类。 该特定算法称为支持向量机量子内核算法。 它只是采用经典的ML算法并将其转换为量子电路，因此可以在量子计算机上高效运行。
个人项目：癌细胞分类
我关注的问题是针对特定的乳腺癌数据集对细胞是否癌变进行分类。 我将应用支持向量机量子核算法来预测该模型在此数据集上运行良好的准确性以及是否可以对其进行分类。
建造方式：
第一步是为量子电路准备乳腺癌数据集并将其导入，以便可以运行算法。 这些步骤是：
- 从sklearn导入数据集或可以通过此网站导入数据集。
- 定义变量以包括训练数据集，测试数据集及其拆分方式。
- 将数据集规格化为具有0个单位方差，因此图像中的像素范围很小，可以高效地进行计算。
- 使用IBM的qiskit库获取数据集的当前特征，并将其转换为qubit数量。
- 将SVM的范围设置为-1和+1，以便可以根据数据点在该范围上的位置进行分类。
- 设置训练数据集。
- 设置一个图以直观地显示分类。
下一步是实现量子ML算法。 IBM将其作为其库的一部分，您可以轻松对其进行仿真。 这些步骤是：
- 设置您的量子电路将具有多少个量子位。
- 再次定义您的类，然后导入您在上面操作过的数据集。
- 对算法进行说说并设置参数，以进行多少次运行以及电路的深度。
- 输入新的数据点
- 算法完成运行后检查结果。
打开代码以更好地理解这些步骤将很有帮助，因此我将在下面链接我的github。
结果表明，到目前为止，量子计算机能够模拟与经典计算机相似的结果。 数据分类如下所示，不同的颜色表示数据点是否分类为癌变。
含义：
因此，现在量子计算机已发展到足以开始运行小型QML算法并测试其准确性的能力。 在接下来的十年中，随着我们技术的快速发展，QML将成为拥有大量应用程序的广阔领域。 它将帮助解决当今世界上最复杂的问题，并带来更强大的AI。 量子计算机将基本上将AI置于类固醇上 ，其结果可能会产生巨大影响。
我的目标是继续准备硬件何时足够稳定以运行其中的一些复杂问题，并为世界上最棘手的问题找到解决方案。 如果您想了解更多关于我的工作或跟随我的旅程，请与我保持联系！
感谢您的阅读，并一定要阅读我的其他文章，以期了解一些提到的技术术语。
个人网站 ： http : //tanishabassan.ca/
带有QML实验链接的Github： https : //github.com/tanishabassan/Quantum-Machine-Learning
翻译自: https://hackernoon.com/quantum-machine-learning-d0037f59f31a
机器学习 量子