[论文解读] Quantum-assisted cluster analysis

Florian Neukart, David Von Dollen+1 more|arXiv (Cornell University)|Mar 7, 2018

Machine Learning in Materials Science参考文献 7被引用 6

一句话总结

本文提出了一种量子辅助聚类算法（QACA），通过将无监督聚类问题表述为二次无约束二值优化（QUBO）问题，将其映射到D-Wave 2000Q量子处理单元（QPU）上。该方法利用量子退火求解聚类的子组件，在聚类准确率上与经典算法相当，同时展示了将量子硬件集成到机器学习工作流中的可行性，且未声称性能优越。

ABSTRACT

We present an algorithm for quantum-assisted cluster analysis (QACA) that makes use of the topological properties of a D-Wave 2000Q quantum processing unit (QPU). Clustering is a form of unsupervised machine learning, where instances are organized into groups whose members share similarities. The assignments are, in contrast to classification, not known a priori, but generated by the algorithm. We explain how the problem can be expressed as a quadratic unconstrained binary optimization (QUBO) problem, and show that the introduced quantum-assisted clustering algorithm is, regarding accuracy, equivalent to commonly used classical clustering algorithms. Quantum annealing algorithms belong to the class of metaheuristic tools, applicable for solving binary optimization problems. Hardware implementations of quantum annealing, such as the quantum annealing machines produced by D-Wave Systems, have been subject to multiple analyses in research, with the aim of characterizing the technology's usefulness for optimization, sampling, and clustering. Our first and foremost aim is to explain how to represent and solve parts of these problems with the help of the QPU, and not to prove supremacy over every existing classical clustering algorithm.

研究动机与目标

• 开发一种利用现有量子退火硬件的实用量子辅助聚类方法。
• 将聚类问题映射为适合在D-Wave 2000Q QPU上实现的QUBO形式。
• 评估量子辅助聚类在准确率方面相对于经典方法的性能表现。
• 展示量子处理单元在无监督学习任务（如聚类）的机器学习流水线中的集成能力。

提出的方法

• 将聚类问题重新表述为二次无约束二值优化（QUBO）问题，以匹配D-Wave 2000Q QPU的本征计算模型。
• 应用量子退火求解QUBO形式化问题，利用QPU的Chimera架构的拓扑结构。
• 通过最小化基于数据相似性的能量函数，利用量子处理优化聚类分配。
• 使用经典预处理和后处理步骤准备数据并解释聚类输出，确保与标准机器学习工作流的兼容性。
• 该方法设计为模块化，可与现有经典聚类流水线集成。

实验结果

研究问题

• RQ1 量子退火硬件是否能通过QUBO形式化有效用于求解聚类问题的子部分？
• RQ2 量子辅助聚类的准确率与成熟的经典聚类算法相比如何？
• RQ3 量子硬件在增强或支持无监督学习任务（如聚类）中扮演何种角色？
• RQ4 量子处理单元在多大程度上可以集成到实际的机器学习流水线中？

主要发现

• 在基准数据集上测试时，QACA算法的聚类准确率与经典聚类算法相当。
• 量子退火过程成功通过在D-Wave 2000Q硬件上最小化QUBO能量函数，识别出最优聚类分配。
• 该方法表明，量子处理单元可用于求解聚类中的子问题，而无需实现完整的量子优势。
• 该方法在原则上具有可扩展性，因为QUBO形式化允许通过适当的预处理将模块化方法应用于更大规模数据集。