Keunggulan praktis pembelajaran mesin kuantum dalam pencitraan hantu

Studi ini menunjukkan keunggulan kuantum praktis dalam pencitraan hantu dengan menggunakan pembelajaran mesin hibrida kuantum-klasik untuk mengatasi keterbatasan klasik dalam identifikasi objek buta dan rekonstruksi citra. Metode kuantum mencapai tingkat identifikasi hingga 10% lebih tinggi dan memulihkan citra berkualitas tinggi pada tingkat pencuplikan rendah di mana pembelajaran mesin klasik gagal.

Tai-Long Xiao; Xin-Liang Zhai; Xiao-Yan Wu; Jian-Ping Fan; G. Zeng· Communications Physics· 2023· DOI 10.1038/s42005-023-01290-1

Masalah inti

Pencitraan hantu adalah teknik pencitraan non-lokal yang merekonstruksi citra suatu objek dengan mengorelasikan dua berkas cahaya, yang tidak satu pun secara sendiri memuat informasi citra tersebut. Pembelajaran mesin klasik telah diterapkan pada pencitraan hantu untuk meningkatkan kualitas rekonstruksi dan mengurangi kebutuhan pencuplikan. Namun, metode klasik menghadapi keterbatasan mendasar dalam identifikasi dan pencitraan objek buta, terutama pada tingkat pencuplikan rendah. Pembelajaran mesin kuantum (QML) menawarkan jalan yang menjanjikan untuk mengatasi keterbatasan ini dengan memanfaatkan sumber daya kuantum seperti superposisi dan keterkaitan. Karya ini menyelidiki keunggulan praktis QML dalam pencitraan hantu dengan mengusulkan algoritma hibrida kuantum-klasik dan strategi patch yang terinspirasi fisika. Para penulis bertujuan menunjukkan bahwa QML dapat mengungguli pembelajaran mesin klasik dalam skenario eksperimental yang realistis, sehingga menyoroti potensi komputasi kuantum dalam aplikasi pembelajaran mesin.

Para penulis mengusulkan dua algoritma pembelajaran mesin hibrida kuantum-klasik: satu untuk identifikasi objek tanpa pencitraan dan satu lagi untuk pencitraan hantu buta. Algoritma ini memanfaatkan sirkuit kuantum variasional paralel untuk memungkinkan pembelajaran kuantum terdistribusi. Strategi patch yang terinspirasi fisika diperkenalkan untuk membagi data pencitraan hantu menjadi patch, yang masing-masing diproses oleh sirkuit kuantum terpisah, sehingga memungkinkan paralelisasi yang efisien. Sirkuit kuantum diparameterisasi dan dilatih menggunakan rutin optimisasi klasik. Eksperimen dilakukan pada berbagai tingkat pencuplikan fisik untuk mengevaluasi kinerja. Algoritma kuantum disimulasikan pada komputer klasik, dan kinerjanya dibandingkan dengan metode pembelajaran mesin klasik. Keunggulan dianalisis secara kuantitatif melalui lensa geometri informasi dan kemampuan generalisasi. Analisis geometri informasi memeriksa matriks informasi Fisher untuk memahami bagaimana sirkuit kuantum menangkap fitur yang relevan, sedangkan kemampuan generalisasi dinilai dengan membandingkan kinerja pelatihan dan pengujian.

Pendahuluan

Pencitraan hantu adalah teknik pencitraan non-lokal yang merekonstruksi citra suatu objek dengan mengorelasikan dua berkas cahaya, yang tidak satu pun secara sendiri memuat informasi citra tersebut. Pembelajaran mesin klasik telah diterapkan pada pencitraan hantu untuk meningkatkan kualitas rekonstruksi dan mengurangi kebutuhan pencuplikan. Namun, metode klasik menghadapi keterbatasan mendasar dalam identifikasi dan pencitraan objek buta, terutama pada tingkat pencuplikan rendah. Pembelajaran mesin kuantum (QML) menawarkan jalan yang menjanjikan untuk mengatasi keterbatasan ini dengan memanfaatkan sumber daya kuantum seperti superposisi dan keterkaitan. Karya ini menyelidiki keunggulan praktis QML dalam pencitraan hantu dengan mengusulkan algoritma hibrida kuantum-klasik dan strategi patch yang terinspirasi fisika. Para penulis bertujuan menunjukkan bahwa QML dapat mengungguli pembelajaran mesin klasik dalam skenario eksperimental yang realistis, sehingga menyoroti potensi komputasi kuantum dalam aplikasi pembelajaran mesin.

Studi ini memberikan analisis komprehensif tentang mengapa pembelajaran mesin kuantum mengungguli metode klasik dalam pencitraan hantu. Perspektif geometri informasi menunjukkan bahwa sirkuit kuantum dapat mengakses ruang fungsi yang lebih besar, sehingga memungkinkan pembelajaran yang lebih efisien dari data yang terbatas. Analisis kemampuan generalisasi menunjukkan bahwa model kuantum kurang rentan terhadap overfitting, yang krusial untuk aplikasi praktis dengan data yang langka. Strategi patch yang terinspirasi fisika memungkinkan pembelajaran kuantum terdistribusi, membuat pendekatan ini skalabel dan kompatibel dengan perangkat kuantum jangka pendek. Para penulis membahas implikasi karya mereka bagi bidang pembelajaran mesin kuantum yang lebih luas, menekankan bahwa keunggulan kuantum praktis dapat dicapai dalam tugas-tugas tertentu di mana metode klasik terbatas. Mereka juga mengakui batasan studi mereka, seperti penggunaan simulasi klasik dan kebutuhan validasi eksperimental pada perangkat keras kuantum yang sebenarnya. Pekerjaan selanjutnya mencakup perluasan pendekatan ke modalitas pencitraan lain dan eksplorasi algoritma kuantum yang lebih kompleks.

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten member…