研究課題/領域番号 |
22K19820
|
研究種目 |
挑戦的研究(萌芽)
|
配分区分 | 基金 |
審査区分 |
中区分62:応用情報学およびその関連分野
|
研究機関 | 名古屋市立大学 (2023) 北海道大学 (2022) |
研究代表者 |
小山 聡 名古屋市立大学, データサイエンス学部, 教授 (30346100)
|
研究期間 (年度) |
2022-06-30 – 2025-03-31
|
研究課題ステータス |
交付 (2023年度)
|
配分額 *注記 |
6,500千円 (直接経費: 5,000千円、間接経費: 1,500千円)
2024年度: 1,950千円 (直接経費: 1,500千円、間接経費: 450千円)
2023年度: 2,600千円 (直接経費: 2,000千円、間接経費: 600千円)
2022年度: 1,950千円 (直接経費: 1,500千円、間接経費: 450千円)
|
キーワード | 機械学習 / 量子計算 |
研究開始時の研究の概要 |
量子計算機を用いた機械学習である量子機械学習は近年注目を集めているが、量子系である必要性のある実用的な問題設定が明らかであるとはいえない。本研究では、大規模なデータをコンパクトに表現できるという量子系の性質を活かして、多数の特徴の組合せを用いてデータ間の関係を高精度に効率的に予測できる方法を研究する。さらに、量子系での様々な問題を関係予測として定式化することで、量子機械学習の新たな適用領域を開拓する。
|
研究実績の概要 |
2つ以上の量子系が量子エンタングルメントの関係にあるか否かを判定する問題は、エンタングルメント検出と呼ばれ、様々な量子情報処理において必要となる基本的な問題である。従来は、エンタングルメントを検出するための数式を研究者の考察に基づいて設計する方式が主流であったが、近年では、機械学習を用いて訓練データからエンタングルメント検出器を学習する方式が注目されている。とくに、サポートベクターマシンなどのカーネル法に基づく方式は、量子情報処理との相性が良く、学習した分類器を量子回路にマッピングすることで、現実の量子状態に適用可能なエンタングルメント検出器を実現することも試みられている。機械学習を用いてエンタングルメント検出を行う方式の困難の一つに、訓練データ生成の問題がある。通常の機械学習とは異なり、与えられた量子系がエンタングルメントにあるかどうかを人手で判断することは困難であり、訓練データ自動生成のための方式が必要となる。そこで我々は、エンタングルメントが存在するデータの生成は困難であるのに対し、エンタングルメントが存在しない場合のデータの生成は容易であるという点に着目した。具体的には、部分系のテンソル積を計算することで、エンタングルメントの無い状態を容易に生成できる。機械学習においては、単一クラス学習と呼ばれる、1つのクラスのデータだけを用いて学習を行う方式が存在し、異常検知などに用いられてきた。我々は、エンタングルメントの存在しないデータだけを用いてエンタングルメント検出器を学習する方式を提案し、単一クラス学習のアルゴリズムの1つであるOne-class SVMを用いて実験を行った。
|
現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
エンタングルメントの存在しないデータだけを用いてエンタングルメント検出器を学習する方式を提案し、単一クラス学習のアルゴリズムの1つであるOne-class SVMを用いて実験を行うことができたため。
|
今後の研究の推進方策 |
One-class SVMのハイパーパラメータや使用するカーネル関数を様々に変更して実験を行うことで、精度の高いエンタングル検出器が学習できる条件を探索する。
|