【新智元导读】《量子机器学习》作者 Peter Wittek 的最新研究发现,与近似概率推理的经典启发式算法相比,量子协议的最新结果直接应用于 Gibbs 抽样,在速度上产生了指数级的提升,这一发现从而证明高级量子资源在机器学习中是有用的。
作者介绍:
Peter Wittek 目前是 ICFO 光子科学研究所量子信息理论小组的研究员,主要的研究领域是量子机器学习、多体量子物理学的计算方法,以及超级计算机的可扩展学习算法。Peter Wittek 拥有新加坡国立大学计算机科学博士学位和数学硕士学位,参与过欧盟的主要研究项目,并与多个国家的许多研究机构就上述研究主题进行过合作,包括印度科学院、巴塞罗那超级计算机中心、清华大学、新加坡国立大学量子技术中心和东京大学量子情报研究室。Peter Wittek 于 2014 年 8 月出版的著作《量子机器学习中数据挖掘的量子计算方法》(Quantum Machine Learning:What Quantum Computing Means to Data Mining)引起较大反响。
Markov 逻辑网的量子增强推理
摘要:
人工智能领域有两个相互对立的流派:因果网络(causal networks)和一阶逻辑(first-order logic)。因果网络能极好地解释不确定性,而一阶逻辑允许形式推导。Markov 逻辑网(MLN)对于二者的调和起到一定作用。
MLN 本质上是生成 Markov 网络的一阶逻辑模板。MLN 中的推理是概率性的,通常由诸如马尔科夫链蒙特卡洛(MCMC)的近似方法来进行 Gibbs 抽样。MLN 具有许多规则的对称结构,可以同时用于一阶逻辑和生成的 Markov 网络。
我们分析了多种提升方法产生的图结构,并调查了量子协议能在多大程度上用于加速包括状态准备和测量方案的 Gibbs 抽样。我们回顾了多种不同方法,分析了它们的优势和理论局限,以及它们的执行能力。
我们的研究发现,与近似概率推理的经典启发式算法相比,量子协议的最新结果直接应用于 Gibbs 抽样,在速度上产生了指数级的提升,这一发现从而证明高级量子资源在机器学习中是有用的。
论文亮点:
上图是关于 Markov 逻辑网络下知识库中的一阶公式结构如何影响生成马尔科夫网络的简要总结。共享的变量是那些出现在不止一个方程式中的变量。
编译来源:https://arxiv.org/abs/1611.08104
责编:弗格森