Gépi tanulás és kvantuminformatika
| Szerző | Szabó Dániel |
|---|---|
| Konzulens | Friedl Katalin |
| Típus | TDK (III. helyezett) |
| Dátum | 2018. november 14. |
| Nyelv | magyar |
| Referencia | https://tdk.bme.hu/VIK/Szimu1/Gepi-tanulas-es-kvantuminformatika |
Absztrakt
Napjainkban egyre gyakrabban hallani híreket a kvantuminformatika világából, például új kvantumszámítógépekről vagy kvantumkommunikációs áttörésekről. Ezekkel összefüggésben egyre fontosabb szerep juthat a közeljövőben a kvantumalgoritmusoknak. Szintén nagyon népszerű terület a gépi tanulás, amit rengeteg különböző célra használnak a sakkozógéptől az önvezető autóig.
A kvantuminformatika a kvantummechanikából ismert jelenségeken alapul, amely szerint a mikrorészecskék mozgása valószínűségi módon írható le. Ilyen részecskével valósítható meg egy kvantumbit: egyszerre van a két, jól megkülönböztethető klasszikus állapot (0 és 1) szuperpozíciójában, az egyikben $p$, a másikban $1-p$ valószínűséggel. Ilyen módon egy $n$ kvantumbites rendszer egyszerre $2^n$ állapotban van, ennek leírására (azaz az egyes állapotok valószínűségének eltárolására) klasszikus esetben $2^n$-nel arányos darabszámú bit kell. Ettől lehet hatékonyabb bizonyos problémák megoldása kvantumszámítógéppel, mint klasszikusan, pl. prímtényezőkre bontás, rendezetlen halmazban keresés [1], [2].
Gépi tanulást (és általában heurisztikus megoldásokat) akkor érdemes használni, ha nem ismert olyan egzakt algoritmus, ami hatékonyan megold egy problémát. Lényege, hogy a gép, ami megoldja a feladatot, „tanul” a korábban már látott esetekből. Ezt ellenőrzött tanulás esetén úgy érjük el, hogy ismert eredménnyel rendelkező tanító bemeneteket adunk bemenetként, amelyekből a gép egy modellt tud előállítani. Így ha olyan új bemeneteket kap, amelyeknek már nem ismert az eredménye, akkor erre a modell alapján becslést tud mondani. Elterjedt gépi tanulási módszerek például a neurális hálózatok és a döntési fák. Tipikusan gépi tanulással megoldott feladatok például a képfelismerés és a kéretlen levelek kiszűrése [3].
A dolgozat fő célja bizonyos gépi tanulási módszerek (döntési fák, ensemble módszerek / boosting) kvantum változatának bemutatása. Ez azért fontos, mert a széles körben használt gépi tanuló algoritmusok sok adattal dolgozhatnak, és a kvantuminformatikában rejlő párhuzamosítási képesség nagyban gyorsíthatja ezek futását egy jövőbeli kvantumszámítógépen. Ezenkívül az ismertetett megoldásokból kiindulva egy új bináris osztályozó algoritmus is született, amely megalkotásánál szempont volt a kvantumos megvalósíthatóság is. Ez az algoritmus is bemutatásra kerül a dolgozatban.
Források:
[1] Mika Hirvensalo. Quantum Computing (2. kiadás, 2004). Springer – Verlag Berlin Heidelberg
[2] Nielsen, M. and Chuang, I. L.. Quantum Computing and Quantum Information (2001). Cambridge University Press, Cambridge.
[3] Wikipedia – Machine learning: https://en.wikipedia.org/wiki/Machine_learning (2018. 09. 28.)