Kuantum ve klasik modelleri sonucu abartmadan karşılaştırın

Ölçülebilir bir soru sorun

Küçük bir varyasyonel kuantum sınıflandırıcı, bu veri kümesinde ve bu ayarlarda, basit klasik seçeneklere göre nasıl davranıyor? Bu, eğitim için yararlı bir sorudur. Kuantum makine öğreniminin genel olarak daha hızlı veya daha iyi olup olmadığını sormaktan çok daha dar bir kapsamı vardır.

Kuantum özellik eşlemeleri ve kuantum çekirdekleri, veriyi temsil etmenin ve örnekleri bir kuantum özellik uzayında karşılaştırmanın yollarını sunar. Schuld ve Killoran'ın çalışması bu bağlantıyı açıklar. Her veri kümesi veya uygulama için genel bir performans iddiasını doğrulamaz.

N/M'nin Quantum AI çalışma alanında; çoğunluk sınıfı temel modeli, lojistik regresyon, RBF çekirdek ridge modeli ve iki kübitli varyasyonel kuantum modelinin eğitsel karşılaştırması bulunur. Bu yazı, karşılaştırmayı nasıl okuyacağınızı anlatır; yeni bir kıyaslama sonucu bildirmez.

Eğitimi, seçimi ve değerlendirmeyi ayırın

Eğitim verileri parametreleri öğrenmek için kullanılır. Doğrulama verileri aday ayarlar arasında seçim yapmaya yardımcı olur. Test verileri, bu seçimden sonra ayrılmış bir değerlendirme sağlar. Modeli değiştirirken tekrar tekrar test puanlarına bakmak, test kümesini başka bir ayarlama kümesine dönüştürür.

Karşılaştırma çalışma zamanı, veri kümesinin ve bölümlerin özetlerini kaydeder. Ön işleme politikası, standartlaştırmayı eğitim satırlarından öğrenip kayıtlı dönüşümü diğer bölümlere uygular. Bu ayrım önemlidir: dönüşümü bütün veri kümesinden öğrenmek, ayrılmış örneklerden bilgi sızdırabilir.

Uygulanan aday seçim kuralı, doğrulama ortalama kare hatasını kullanır; eşitlik durumunda belirli aday sırası geçerlidir. Modellerin eğitim amaçları farklı olabilir. Ortak bir raporlama ölçütü, her modelin aynı matematiksel amacı optimize ettiği anlamına gelmez.

Açıklayabileceğiniz bir karşılaştırma çalıştırın

1. Karşılaştırma bölümünü açıp araçları yükleyin.
2. Eğitsel bir veri kümesi seçin ve ilk çalıştırmada model seçimini sabit tutun.
3. Tohumu, tekrar sayısını ve eğitim bütçesini kaydedin.
4. Eğitim, doğrulama ve test ölçütlerini ayrı ayrı inceleyin.
5. Sonucu; veri, bölüm ve çıktı dosyası özetleriyle birlikte saklayın.
6. Küçük bir puan farkını yorumlamadan önce ek tohumlarla tekrar edin.

Çoğunluk sınıfı temel modeli, basit görünmesine rağmen yararlıdır. Karmaşık bir model onu çok az geçiyorsa deney; ayrılmış veride sürekli daha iyi tahmin yapan bir modelden farklı yorumlanmalıdır.

Tek bir puandan fazlasını okuyun

Doğruluk, doğru tahmin edilen etiketlerin oranıdır. Dengeli doğruluk, iki sınıf da temsil edildiğinde sınıflardaki başarıyı ortalayarak dengesizliği fark etmeyi kolaylaştırır. Karışıklık matrisi hangi hataların oluştuğunu gösterir. Raporlanan işaretli puan ortalama kare hatası, puanı -1 ve 1 olarak kodlanmış etiketlerle karşılaştırır; olasılık kalibrasyonu garantisi değildir.

Çıktı dosyası; çekirdek değerlendirmeleri, durum vektörü çalıştırmaları ve ilgili eğitim işlemleri gibi iş sayaçlarını da kaydeder. Bunlar farklı işlemleri anlatır ve doğrudan birbirinin yerine geçen maliyet birimleri sayılmamalıdır. Tekrarlanabilirlik özeti, süre ölçümünü dışarıda bırakır. Ayrı bir süre ölçümü yapılırsa makine, tarayıcı, ısınma politikası ve iş yükü kaydedilmelidir.

Bu deney neyi destekleyebilir?

Ayrılmış test puanı, belirli veri kümesi, uygulama ve bütçe hakkında bir ifadeyi destekleyebilir. Donanım hızlanmasını göstermez: buradaki kuantum model klasik donanımda simüle edilir. Küçük ve yapay bir sınıflandırma örneği, ilaç keşfi başarısını veya endüstriyel iş yükündeki üstünlüğü de göstermez.

Kuantum model bir çalıştırmada kazanırsa sonucun başka tohumlarda sürüp sürmediğini, klasik modelin makul biçimde ayarlanıp ayarlanmadığını ve ek kaynakların karşılığını sorun. Kaybederse sonuç yine yararlıdır: bu modelin sınırlarını ortaya çıkarır ve yeni bir hipotez için tekrarlanabilir başlangıç sağlar.

Kaynaklar

• Schuld ve Killoran: Quantum Machine Learning in Feature Hilbert Spaces, Physical Review Letters, 2019.
• N/M Quantum AI karşılaştırması: burada açıklanan eğitsel uygulama.
• N/M belgeleri: dilin ve yerel çalışma zamanının kapsamı.