Kvantu mašīnmācīšanās – klasterēšanas algoritma implementēšana

Abstract

Klasterēšana ir populārākā bez uzraudzības mašīnmācīšanās metode, kuras pamatprincips ir noteikt datu punktu sadalījumu apakšgrupās vai kopās, lai vienā un tā pašā klastera novērojumiem būtu zināma līdzība. Kvantu mašīnmācīšanās šobrīd ir aktuālā tēma, un kvantu algoritmi tiek izmantoti lai paātrinātu un/vai izlabotu klasiskus algoritmus. Darba ietvaros tiek analizēts un implementēts kvantu mašīnmācīšanās algoritms klasterēšanai, tas tiek salīdzināts ar klasisko algoritma implementāciju. Algoritms tiek implementēts, izmantojot Python programmēšanas valodu un Qiskit bibliotēku kvantu skaitļošanai, kas ļauj kvantu skaitļošanas kodu laist gan uz simulatoriem, gan uz IBM kvantu ierīcēm, kas ir pieejamas mākonī. Rezultātos tiek secināts, ka kvantu klasterēsanas algoritms neuzlabo klasiska algoritma rezultātus, tomēr paātrina tā darbību.

Clustering is the most popular unsupervised machine learning method, which deals with data point distribution into subsets or clusters so that observations in the same cluster have observed similarity. Quantum machine learning is a relevant sphere and quantum algorithms are used to speed up and/or optimize classic algorithms. In this study, a quantum machine learning algorithm for clustering is analyzed, implemented, and compared to the classic algorithm implementation. Algorithm is implemented using Python programming language and Qiskit library for quantum computing, that allows running quantum code both on simulators and real IBM quantum device which run in the cloud. The conclusion is that clustering algorithm doesn’t improve the results of classic implementation, but it speeds up the calculation.