ترجمه فارسی مقاله یادگیری تطبیقی ​​برای رگرسیون خطی کوانتومی

چکیده

The recent availability of quantum annealers as cloud-based services has enabled new ways to handle machine learning problems, and several relevant algorithms have been adapted to run on these devices. In a recent work, linear regression was formulated as a quadratic binary optimization problem that can be solved via quantum annealing. Although this approach promises a computational time advantage for large datasets, the quality of the solution is limited by the necessary use of a precision vector, used to approximate the real-numbered regression coefficients in the quantum formulation. In this work, we focus on the practical challenge of improving the precision vector encoding: instead of setting an array of generic values equal for all coefficients, we allow each one to be expressed by its specific precision, which is tuned with a simple adaptive algorithm. This approach is evaluated on synthetic datasets of increasing size, and linear regression is solved using the D-Wave Advantage quantum annealer, as well as classical solvers. To the best of our knowledge, this is the largest dataset ever evaluated for linear regression on a quantum annealer. The results show that our formulation is able to deliver improved solution quality in all instances, and could better exploit the potential of current quantum devices.

چکیده به فارسی (ترجمه ماشینی)

در دسترس بودن اخیر آنیلرهای کوانتومی به عنوان خدمات مبتنی بر ابر ، روشهای جدیدی را برای رفع مشکلات یادگیری ماشین فراهم کرده است و چندین الگوریتم مربوطه برای اجرای این دستگاه ها سازگار شده اند.در یک کار اخیر ، رگرسیون خطی به عنوان یک مشکل بهینه سازی باینری درجه دوم که از طریق بازپرداخت کوانتومی قابل حل است ، تدوین شد.اگرچه این رویکرد نوید می دهد یک زمان محاسباتی برای مجموعه داده های بزرگ ، کیفیت راه حل با استفاده لازم از یک بردار دقیق ، که برای تقریب ضرایب رگرسیون با شماره واقعی در فرمولاسیون کوانتومی استفاده می شود ، محدود می شود.در این کار ، ما بر چالش عملی بهبود رمزگذاری بردار دقیق تمرکز می کنیم: به جای تنظیم آرایه ای از مقادیر عمومی برابر با همه ضرایب ، ما به هرکدام اجازه می دهیم با دقت خاص آن بیان شوند ، که با یک الگوریتم تطبیقی ​​ساده تنظیم شده استبشراین رویکرد در مجموعه داده های مصنوعی با افزایش اندازه ارزیابی می شود و رگرسیون خطی با استفاده از آنیلر کوانتومی مزیت D و همچنین حلال های کلاسیک حل می شود.به بهترین دانش ما ، این بزرگترین مجموعه داده ای است که تاکنون برای رگرسیون خطی روی آنیلر کوانتومی ارزیابی شده است.نتایج نشان می دهد که فرمولاسیون ما قادر به ارائه کیفیت راه حل بهبود یافته در همه موارد است و می تواند از پتانسیل دستگاه های کوانتومی فعلی بهره برداری کند.