Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Hybrid Quantum - Classical machine learning and applications

Michalopoulos Christos

Simple record


URIhttp://purl.tuc.gr/dl/dias/BB3720BB-8AB3-4168-BA26-24EEAE1ADF3D-
Identifierhttps://doi.org/10.26233/heallink.tuc.93161-
Languageen-
Extent10.1 megabytesen
Extent88 pagesen
TitleHybrid Quantum - Classical machine learning and applicationsen
TitleΥβριδική Κβαντική - Κλασική μηχανική μάθηση και εφαρμογέςel
CreatorMichalopoulos Christosen
CreatorΜιχαλοπουλος Χρηστοςel
Contributor [Thesis Supervisor]Angelakis Dimitriosen
Contributor [Thesis Supervisor]Αγγελακης Δημητριοςel
Contributor [Committee Member]Zervakis Michailen
Contributor [Committee Member]Ζερβακης Μιχαηλel
Contributor [Committee Member]Christopoulos Dionysiosen
Contributor [Committee Member]Χριστοπουλος Διονυσιοςel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Electrical and Computer Engineeringen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
Content SummaryIn this thesis, we study the interface between quantum computing and machine learning, and more specifically quantum machine learning (QML) algorithms and certain applications in financial problems. We start by defining the building blocks of quantum computers, such as quantum states and quantum gates, along with the analytic presentation of three key quantum algorithms for our work: the quantum Fourier transform, the quantum phase estimation and the quantum amplitude estimation algorithm. We continue with summarizing the basics of classical machine learning and analyze in detail the inner workings of neural networks and specifically, of the generative adversarial. networks (GANs). Next, we discuss how quantum algorithms can be incorporated in classical machine learning approaches. We analyze the two leading areas of QML, the fault-tolerant QML and the Noisy-Intermediate Scale Quantum (NISQ) friendly QML algorithms; in the former case, QML algorithms are shown to have proven quantum speedups against its classical counterparts but require fault-tolerant quantum hardware that are yet-to-be setup, while the latter can be realized on the current available devices but quantum speedups, or provable quantum advantages is yet-to-be demonstrated. In the next and main part of the work, we analyze and build on some of the NISQ friendly QML algorithms, i.e: hybrid classical-quantum variational models that consist of quantum and classical processing. Within this approach, we study in details the quantum version of GANs, QGANs, and show how they can be trained to produce quantum states that efficiently encode and learn target probability distributions. We compare the training performance of the QGANs using different initial input probability distributions in various settings, e.g: 3 and 4 qubits systems, and models with different numbers of quantum circuit repetitions. These trained quantum states are then used along with quantum amplitude estimation algorithms, to compute important quantities in the financial world, such as the European call option problem found in real world markets. We implement our quantum algorithms in classical simulators and benchmark the performance for different numbers of qubits and configurations and discuss possible follow up works and applications.en
Content SummaryΣε αυτή τη διατριβή, μελετάμε τη διεπαφή μεταξύ κβαντικού υπολογισμού και μηχανικής μάθησης, και πιο συγκεκριμένα αλγορίθμων κβαντικής μηχανικής μάθησης (QML) και ορισμένων εφαρμογών τους σε προβλήματα στην Οικονομία. Ξεκινάμε ορίζοντας τα δομικά στοιχεία των κβαντικών υπολογιστών, όπως οι κβαντικές καταστάσεις και κβαντικές πύλες, μαζί με την αναλυτική παρουσίαση τριών βασικών κβαντικών αλγορίθμων για την εργασία μας: τον κβαντικό μετασχηματισμό Fourier, την εκτίμηση κβαντικής φάσης και τον αλγόριθμο εκτίμησης κβαντικού πλάτους. Συνεχίζουμε συνοψίζοντας τα βασικά στοιχεία της κλασικής μηχανικής μάθησης και αναλύουμε λεπτομερώς τις εσωτερικές λειτουργίες των νευρωνικών δικτύων και συγκεκριμένα, των παραγωγικών αντιπαραθετικών δικτύων (GANs). Στη συνέχεια, συζητάμε πώς οι κβαντικοί αλγόριθμοι μπορούν να ενσωματωθούν σε κλασικές προσεγγίσεις μηχανικής μάθησης. Αναλύουμε τους δύο κορυφαίους τομείς της κβαντικής μηχανικής μάθησης, την κβαντική μηχανική μάθηση με δυνατότητα διόρθωσης κβαντικών σφαλμάτων, και τους κβαντικούς αλγόριθμους μηχανικής μάθησης φιλικούς με συσκευές που έχουν κβαντικό θόρυβο-NISQ (Noise Intermediate Scale Quantum). Στην πρώτη περίπτωση, οι αλγόριθμοι αναμένεται να έχουν εκθετικές κβαντικές επιταχύνσεις έναντι των κλασικών αντίστοιχων, αλλά απαιτούν κβαντικούς επεξεργαστές με δυνατότητα πλήρους διόρθωσης σε κβαντικά σφάλματα που δεν έχουν ακόμη εφευρεθεί, ενώ η δεύτερη περίπτωση μπορεί να υλοποιηθεί σε τρέχουσες διαθέσιμες κβαντικές συσκευές, χωρίς ωστόσο να έχουν αποδειχθεί κβαντικές επιταχύνσεις ή άλλα κβαντικά πλεονεκτήματα για την ώρα. Στο επόμενο και κύριο μέρος της εργασίας, αναλύουμε μερικούς πρόσφατους, φιλικούς προς τις NISQ συσκευές, αλγόριθμους κβαντικής μηχανικής μάθησης, δηλαδή: υβριδικά κλασικά-κβαντικά μεταβλητά μοντέλα που αποτελούνται από κβαντική και κλασική επεξεργασία. Στο πλαίσιο αυτής της προσέγγισης, μελετάμε λεπτομερώς την κβαντική έκδοση των GAN (QGAN) και δείχνουμε πώς μπορούν να εκπαιδευτούν ώστε να παράγουν κβαντικές καταστάσεις που κωδικοποιούν και μαθαίνουν αποτελεσματικά τις κατανομές πιθανοτήτων. Συγκρίνουμε την απόδοση εκπαίδευσης των QGAN χρησιμοποιώντας διαφορετικές αρχικές κατανομές πιθανοτήτων εισόδου σε διάφορες ρυθμίσεις, π.χ.: συστήματα 3 και 4 qubits και μοντέλα με διαφορετικούς αριθμούς επαναλήψεων κβαντικών κυκλωμάτων. Αυτές οι εκπαιδευμένες κβαντικές καταστάσεις χρησιμοποιούνται στη συνέχεια μαζί με αλγόριθμους εκτίμησης κβαντικού πλάτους, για τον υπολογισμό σημαντικών ποσοτήτων στον χρηματοοικονομικό κόσμο, όπως το Ευρωπαϊκό πρόβλημα προαίρεσης αγοράς. Εφαρμόζουμε τους κβαντικούς αλγόριθμους μας σε κλασικούς προσομοιωτές και συγκρίνουμε την απόδοση για διαφορετικούς αριθμούς qubits και διαμορφώσεις και συζητάμε πιθανές μελλοντικές εφαρμογές σε άλλους τομείς.el
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2022-08-26-
Date of Publication2022-
SubjectΚβαντική υπολογιστικήel
SubjectΜηχανική μάθησηel
SubjectΚβαντική μηχανική μάθησηel
Bibliographic CitationChristos Michalopoulos, "Hybrid Quantum - Classical Machine Learning and Applications", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2022en
Bibliographic CitationΧρήστος Μιχαλόπουλος, "Υβριδική Κβαντική - Κλασική μηχανική μάθηση και εφαρμογές", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2022el

Available Files

Services

Statistics