Empfohlen
Weitere ähnliche Inhalte
Ähnlich wie Mitou qwgc
Ähnlich wie Mitou qwgc (20)
Mitou qwgc
- 2. 1. 今回のプロジェクトについて 2 ①背景・⽬的 ②実施内容 ③ユーザー価値と社会へのインパクト 技術を体験・理解してもらうことで、 量⼦情報処理への関⼼を集め、我が国の量⼦ 情報科学⼈材の育成に寄与する。 • グラフ構造をもつデータの分類器 • 今回の成果物に関するチュートリアルや 量⼦機械学習に関する記事をまとめた Webページの公開 研究が⾮常に盛んになってきた量⼦機械学習 分野において、新たな応⽤先を提案するととも に、その有⽤性や社会性を多くの⼈に知っても らうためのプラットフォームを作成する。
- 3. 2. 実施内容1（量⼦変分回路による分類） 3 量⼦SVM-likeな量⼦変分法分類器の 実装拡張 (参考: [1]) Webアプリケーションでインタラク ティブに量⼦機械学習を体験してもらう 成果 技術的発展 社会普及へ向けて 擬似⽣成データではなく実際のデータ セットで動作するような実装 ⾼次元（3次元以上）特徴量を扱える ような実装 開発したQSVMアルゴリズムを⽤いた ⼿書き⽂字認識を体験できるWEB アプリケーション [1]Vojtech Havlicek, Antonio D. Córcoles, Kristan Temme, Aram W. Harrow, Abhinav Kandala, Jerry M. Chow, Jay M. Gambetta Supervised learning with quantum enhanced feature spaces arXiv:1804.11326 [quant-ph] ⽬標 平均精度 0.89 標準偏差 0.059 Irisデータセットでのベンチマーク
- 4. 3. 実施内容2（量⼦ウォークによるグラフの分類） 4 概要 ⽬標 量⼦ウォークを⽤いた分類器モデルを作成し、グラフ構造を持ったデータを分類する • 量⼦ウォークを⽤いた新たな機械 学習アルゴリズムの開発 • グラフデータに特化した 分類器の作成 • オープンソース化 • Pythonでのモジュール化 技術的発展 社会普及へ向けて • 多くの⼈が量⼦機械学習を体験で きるWEBアプリ開発 • 量⼦機械学習を学ぶWEB記事 の作成 • 今回開発したアルゴリズムの チュートリアル・ドキュメン トの開発
- 6. ４-1. 実施内容 (アルゴリズム) 6 量⼦ウォークによるグラフの特徴付け 汎化性能評価 STEP4 パラメータ調整 STEP3 データの圧縮 STEP2 特徴抽出 STEP1 [2]Barr, Katie, Toby Fleming, and Viv Kendon."Simulation methods for quantum walks on graphs applied to perfect state transfer and formal language recognition." CoSMoS 2013 (2013): 1.
- 7. ４-1. 実施内容 (アルゴリズム) 7 量⼦ウォークによるグラフの特徴付け（例） 汎化性能評価 STEP4 パラメータ調整 STEP3 データの圧縮 STEP2 特徴抽出 STEP1 [2] Barr, Katie, Toby Fleming, and Viv Kendon."Simulation methods for quantum walks on graphs applied to perfect state transfer and formal language recognition." CoSMoS 2013 (2013): 1.
- 8. ４-1. 実施内容 (アルゴリズム) 8 量⼦ウォークによるグラフの特徴付け (例) 汎化性能評価 STEP4 パラメータ調整 STEP3 データの圧縮 STEP2 特徴抽出 STEP1 [2]Barr, Katie, Toby Fleming, and Viv Kendon."Simulation methods for quantum walks on graphs applied to perfect state transfer and formal language recognition." CoSMoS 2013 (2013): 1.
- 10. ４-２. 実施内容 (アルゴリズム) 10 抽出したグラフデータの圧縮 汎化性能評価 STEP4 パラメータ調整 STEP3 データの圧縮 STEP2 特徴抽出 STEP1 各データの重みを 要素の⼤きさで表し、 データ層の情報をどれ だけ採⽤するかを量⼦ ビット毎に決定する。 測 定 古典的に調整するパラメータ 01 10 Class1 Class2
- 12. ４-4. 実施内容（アルゴリズム） 12 実験の設定 汎化性能評価 STEP4 パラメータ調整 STEP3 データの圧縮 STEP2 特徴抽出 STEP1 [2]Barr, Katie, Toby Fleming, and Viv Kendon."Simulation methods for quantum walks on graphs applied to perfect state transfer and formal language recognition." CoSMoS 2013 (2013): 1.
- 13. ４-４. 実施内容 (アルゴリズム) 13 汎化性能評価 (エラー収束評価) 汎化性能評価 STEP4 パラメータ調整 STEP3 データの圧縮 STEP2 特徴抽出 STEP1 平均精度 (5回) MUTAGデータセットの分類によるベンチマーク (p16 ハイパーパラメータ) 交差検証 (分割数5)の結果 精度収束の評価に関しては付録参照 85.1% 最⼤精度 (5回) 89.5%
- 14. 14 付録: 最適化⼿法 Dataset MUTAG # of iteration 150 # of particles 30 w 0.6 C1 2.3 C2 1.3 alpha 0.005 # of steps of QW 5 Initial state super position Depth of circuit 17 + QW # of two qubit operations 14 + QW # of one qubit operations 14 + QW # of division of cross validation 5 # of layers in classifier 2 最適化⼿法...Particle Swarm Optimizer Hyperparameter 最適化⼿順 1. ランダムなベクトルを粒⼦の数分だけ⽤ 意する。 2. 各粒⼦の速度を初期化 (初期値0) 3. エラーを元に位置と速度を更新 4. エラーのthresholdより⼩さくなる、もし くは指定回数に達するまで繰り返す パラメータ詳細は次ページ