DAOrayaki ｜用量子机器学习解决世界级难题

Quantum Computing

a year ago • 14 min read

DAOrayaki ｜用量子机器学习解决世界级难题

Quantum Computing

a year ago • 14 min read • Loading Views

DAOrayaki DAO研究奖金池：

资助地址: DAOrayaki.eth

投票进展：DAO Reviewer 1/0 通过

赏金总量：40 USD

研究种类：Quantum Machine Learning

原文作者: Tanisha Bassan

创作者：xingyang@DAOrayaki.org

审核者：Yofu@DAOrayaki.org

原文: Tackling the World’s Hardest Problems Using Quantum Machine Learning

DAOrayaki 是一个去中心化的研究者组织和去中心化媒体，通过 DAO的形式去中心化地资助世界各地的研究者进行研究、翻译、分析等工作。DAOrayaki 由早期的 DAO 组织 DAOONE 核心成员发起，得到了Dora Factory基础设施的支持。欢迎通过文末方式提交DAO的研究，瓜分10000USDC赏金池！了解去中心化自治组织（DAO），探讨最新治理话题，关注DAO的发展趋势，欢迎加入DAOrayaki社区！

在量子计算机上，利用支持向量机算法，对数据进行整理分类，从而解决复杂的问题。

量子…机器…学习？？？

听起来非常吓人，我承认，这几个词放在一起非常可怕，如果你想逃跑，我不勉强。

对那些准备看完整篇文章的人（坚强点！），我将以简单的步骤来分解和介绍这个新课题。我会主要介绍量子支持向量机（SVM），至于其他算法，你可以自行了解一下：）希望在本文结束时，我能让你理解为什么量子机器学习（QML）将帮助我们解决极其困难的问题。

在这篇文章中，你将了解到

什么是经典机器学习以及它的局限性
量子计算的介绍以及为什么它对加速机器学习很重要
量子SVM的工作原理
我的个人项目和代码

经典机器学习

机器学习（ML）有三个不同的领域：监督学习、无监督学习的和强化学习。

在这篇文章中，我们将重点关注监督学习，支持向量机就属于这个类别。

监督学习使用一组标记的数据来训练机器学习算法，以帮助机器学习特定的任务，比如，给两个不同的对象（猫和狗）分类。当我们输入一个新的未知数据点，算法会根据之前的训练，预测这个新的输入如何分类（是狗还是猫，两者特征集不同）。

传统计算机确实擅长在2D平面上进行分类（对两个不同的类别分类），但是，当涉及N维分类（对多个不同类别分类）时，问题就变得过于复杂而难以解决。

在三维空间中进行分类 → 由于维数变大，传统计算机很难胜任。

这就是我们为什么需要…

量子计算

量子计算机对于n维物体分类，有传统计算机无法匹敌计算优势。

它利用量子力学定律，特别是叠加和纠缠，可以实现难以想象的算力。量子芯片的制作利用了这些特性，并转化为计算机算法以解决复杂问题。

量子计算机和机器学习很适合用于设计新的化合物。

我们可以用机器学习为例来了解如何给复杂的对象分类，比如原子。但是，用传统计算机模拟这个过程极其困难，随着更多的原子加入，形成更大的分子，模拟运动中的粒子变得不可能，因为相互作用会变得无比复杂。

总之，量子机器学习（QML）将有助于提升计算能力，以解决那些过于复杂的问题。

这方面的应用领域包括：

了解纳米颗粒
材料发现
设计化合物和药物
模式识别和分类

非常被看好的领域包括：

创造可应用于空间技术、可穿戴技术、可再生能源、纳米技术等的新材料。
发现用于治疗不治之症的新药物和新化合物
绘制出我们的大脑电路图
了解我们的基因构成
用生物识别技术和物联网设备建立完全互联的安全基础设施
关于宇宙的新物理发现

药物研发、绘制大脑图谱、解码人类基因组以及我上面列出的其他领域，都是目前最聪明的人正在努力解决的问题。这些问题有不同的方法可以解决，如机器学习、先进的安全措施和大量数据集的建模。但是，传统计算机上能计算的数据量有明显限制，很多问题都需要更大的计算能力（想象一下，试图同时绘制我们大脑中数万亿的神经元！）。有了量子机器学习这个基础设施，很多未解决的问题可以通过更细致的数据分析，以及通过机器学习，来教计算机找到人类永远无法发现的隐藏答案。

支持向量机SVM

它是用于分类和回归问题的监督学习算法。专门用来对那些（对传统计算机来说）过于复杂的对象进行分类。

SVM可以在第n维空间对物体进行分类，其中决策边界是用d-1维计算的。这意味着隔开你数据的超平面将比包含所有数据点的特征空间低一个维度。

二维分类，使数据点之间的距离最大化（支持向量）。

为了算出最准确的决策边界，SVM将数据点的两类之间的距离最大化。这些数据点也是支持向量，是最接近决策边界的点。它还可以对非线性可分离的数据进行分类，即不能用简单的直线进行分类的情况。

非线性关系，因此没有超平面来准确隔开数据

他们使用内核技巧（kernel trick）将数据点投射到更高的维度，直到找到一个线性超平面将它们隔开。

添加另一个维度Z，就能看到线性关系，也就可以用超平面进行分类

当数据点被投射到更高的维度时，传统计算机很难通过大型计算来计算。有了量子计算机，这项任务可以变得很容易，即使是最复杂的数据集也可以在极高的维度上进行计算，以实现精确分类。这种具体的算法被称为支持向量机量子核算法。它把经典的机器学习算法转化成量子电路，以便在在量子计算机上有效地运行。

展示量子隐形传态的量子电路的例子

个人项目：癌细胞的分类

我研究的问题是对特定的乳腺癌数据集进行细胞是否为癌细胞的分类。我会应用支持向量机量子核算法来预测该模型在该数据集上工作的准确性，然后查看实际分类效果。

如何实现

第一步是为量子电路准备乳腺癌数据集，并将其导入，使算法得以运行。以下为具体步骤：

从sklearn导入数据集或通过这个网站导入数据集。
定义你的变量，使其包括训练数据集、测试数据集和相应的分离方式。
将数据集归一化，使其具有0单位方差，这样图像像素的范围就非常小，可以有效运算。
使用IBM的qiskit库将你的数据集的当前特征转化为qubit的数量。
将SVM的范围设置为-1和+1，这样就可以根据数据点在范围内的位置进行分类。
设置训练数据集。
绘制一个图来直观地展示分类。

下一步是实现量子机器学习算法。IBM把它作为他们库的一部分，你可以很容易地进行模拟。其步骤是：

设置你的量子电路将有多少个量子比特。
再次定义你的类并导入你上面操作的数据集。
规定算法，设置它的运行次数和电路的深度等参数。
输入新的数据点
在算法运行完毕后检查结果。

对照代码能更好地理解这些步骤，所以我将在下面放上我的github链接。

结果显示，目前量子计算机能够模拟出与传统计算机类似的结果。数据分类如下图所示，不同的颜色代表一个数据点是否被分类为癌细胞。

启发

目前量子计算机已经足以运行小型的量子机器学习算法并验证其准确性。未来10年，随着我们技术的快速增长，量子机器学习将成为一个有无数应用成果的课题。它将帮助解决我们今天世界上最复杂的问题，并产生出更强大的人工智能。量子计算机可以说是给人工智能喂了兴奋剂，影响可能非常巨大。

我的目标是，做好准备，跟踪硬件发展，当硬件足以稳定运行一些复杂运算时，尝试解决世界级难题。如果你想了解更多关于我的工作或关注我的近况，请与我保持联系！

感谢你的阅读，请务必查看我的其他文章，可以帮助你理解本文提到的一些技术术语。

个人网站：http://tanishabassan.ca/

QML试验的Github仓库：https://github.com/tanishabassan/Quantum-Machine-Learning

参考链接

https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+(Diagnostic)

通过 DAO，研究组织和媒体可以打破地域的限制，以社区的方式资助和生产内容。DAOrayaki将会通过DAO的形式，构建一个代表社区意志并由社区控制的功能齐全的去中心化媒体。欢迎通过文末方式提交与DAO、量子计算、星际移民、DA相关的内容，瓜分10000USDC赏金池！欢迎加入DAOrayaki社区，了解去中心化自治组织（DAO），探讨最新话题！

官方网站：daorayaki.org

Discord server: https://discord.gg/2UjpmPH9

Medium: https://medium.com/@daorayaki

Email: daorayaki@dorafactory.org

微信助手：DAOrayaki-Media