[PRNewswire] Cambridge Quantum Computing, 추론 위한 양자 머신 러닝 방법 개척
- 부분적 정보를 기반으로 하는 양자 지원 추론을 통해 정확하고 유연하며 효과적인 양자 기계 지능이 증명
(케임브리지, 잉글랜드 2021년 3월 30일 PRNewswire=연합뉴스) Cambridge Quantum Computing(CQC[ http://www.cambridgequantum.com/ ]) 과학자들이 방법을 개발하고, 양자 기계가 매우 일반적인 확률 추론 모델에서 숨겨진 정보를 추론하는 법을 학습할 수 있다고 증명했다. 이 방법은 복잡한 시스템에서 추론과 불확실성 수량화가 중요한 다양한 용도를 개선할 수 있다. 그 예로는 의학 진단, 미션 크리티컬 기계에서 고장 감지 또는 투자 관리를 위한 금융 예측 등이 있다.
출판 전 논문 저장소인 arXiv에서 발표된 이 논문[ https://arxiv.org/abs/2103.06720 ]에서 CQC 연구원들은 양자 컴퓨터가 실제 세계 시나리오에서 전형적인 불확실성을 다루는 법(인간은 종종 직관적인 방식으로 이를 처리할 수 있다)을 배울 수 있다는 학설을 수립했다. Dr. Marcello Benedetti가 이 연구팀을 이끌었고, Brian Coyle, Dr. Michael Lubasch 및 Dr. Matthias Rosenkranz가 공동 저자로 참여했다. 이 연구팀은 Dr. Mattia Fiorentini가 지휘하는 CQC 양자 기계 학습 부처에 속한다.
이 논문에서는 다음에 대한 양자 지원 추론을 증명하고자 시뮬레이터와 IBM Q 양자 컴퓨터에서 세 가지 원리 검증을 진행했다.
- 표준 베이즈망의 임의적 사례에 관한 추론
- 시뮬레이션된 금융 시계열의 숨겨진 마르코프 모델에서 시장 제도 전환 추론
- '폐암' 문제로 알려진 의학 진단 과제
원리 검증에 따르면, 고도의 표현력을 갖춘 추론 모델을 이용하는 양자 기계가 다양한 분야에서 새로운 용도를 지원할 수 있다고 한다. 이 논문은 "오늘날 시끄러운 양자 장치를 이용한 머신 러닝에서 양자 이점으로 향하는 가장 유망한 길 중 하나는 복잡한 분포에서 표본을 추출하는 것"이라는 같은 사실을 기반으로 한다. 이 선구적인 연구는 양자 컴퓨팅이 현재 초기 단계에 불과하지만, 인간의 추론 에뮬레이션 같은 과학계에서 가장 야심 찬 질문을 연구하는 데 효과적인 도구라는 사실을 보여준다.
단기간에 이 개발로 가장 큰 혜택을 볼 연구원 집단은 여러 산업에 종사하는 머신 러닝 과학자들과 양자 소프트웨어 및 하드웨어 개발자들이다.
이 학술 논문과 더불어 제공된 Medium 논문[ https://medium.com/cambridge-quantum-computing/reasoning-under-uncertainty-with-a-near-term-quantum-computer-99882dc04bb ]에서는 이 선구적인 연구의 기반이 되는 원리를 쉽게 설명하고 있으며, 또한 연구팀이 시행한 원리 검증까지 설명하고 있다.
앞으로 양자 장치가 개선될 전망인 가운데, 이 연구는 양자 컴퓨팅을 확률 추론에 적용하고, 공학과 사업 관련 문제에 직접 적용하기 위한 준비 작업을 제시한다.
CQC의 양자 머신 러닝 부장 Dr. Mattia Fiorentini는 영상[ https://www.youtube.com/watch?v=kMNTHkb627c&feature=youtu.be ]을 통해 프로젝트 결과와 그 시사점에 관한 자세한 통찰을 제공하고 있다.
Cambridge Quantum Computing 소개
2014년에 설립된 CQC는 양자 소프트웨어 및 양자 알고리듬 분야의 글로벌 선도기업이다. 회사는 세계 유수의 양자 컴퓨팅 기업의 지원을 받으며, 빠르게 진화하는 양자 컴퓨팅 하드웨어를 최대한 활용할 수 있도록 고객을 지원한다. CQC는 영국, 미국 및 일본에 사무실을 두고 있다. 추가 정보는 CQC 웹사이트 http://www.cambridgequantum.com 을 방문하거나 링크트인[ https://www.linkedin.com/company/21661539/admin/ ]을 참조한다. tket 파이썬 모듈은 GitHub[ https://cqcl.github.io/pytket/build/html/index.html ]에서 접속할 수 있다.
출처: Cambridge Quantum Computing
Cambridge Quantum Computing Pioneers Quantum Machine Learning Methods for Reasoning
- Quantum-assisted reasoning based on partial information demonstrates quantum machine intelligence that is accurate, flexible, and effective
CAMBRIDGE, England, March 30, 2021 /PRNewswire/ -- Scientists at Cambridge Quantum Computing (CQC [http://www.cambridgequantum.com/ ]) have developed methods and demonstrated that quantum machines can learn to infer hidden information from very general probabilistic reasoning models. These methods could improve a broad range of applications, where reasoning in complex systems and quantifying uncertainty are crucial. Examples include medical diagnosis, fault-detection in mission-critical machines, or financial forecasting for investment management.
In this paper [https://arxiv.org/abs/2103.06720 ] published on the pre-print repository arXiv, CQC researchers established that quantum computers can learn to deal with the uncertainty that is typical of real-world scenarios, and which humans can often handle in an intuitive way. The research team has been led by Dr. Marcello Benedetti with co-authors Brian Coyle, Dr. Michael Lubasch, and Dr. Matthias Rosenkranz, and is part of the Quantum Machine Learning division of CQC, headed by Dr. Mattia Fiorentini.
The paper implements three proofs of principle on simulators and on an IBM Q quantum computer to demonstrate quantum-assisted reasoning on:
- inference on random instances of a textbook Bayesian network
- inferring market regime switches in a hidden Markov model of a simulated financial time series
- a medical diagnosis task known as the "lung cancer" problem.
The proofs of principle suggest quantum machines using highly expressive inference models could enable new applications in diverse fields. The paper draws on the fact that sampling from complex distributions is considered among the most promising ways towards a quantum advantage in machine learning with today's noisy quantum devices. This pioneering work indicates how quantum computing, even in its current early stage, is an effective tool for studying science's most ambitious questions such as the emulation of human reasoning.
Machine learning scientists across industries and quantum software and hardware developers are the groups of researchers that should benefit the most from this development in the near-term.
This Medium article [https://medium.com/cambridge-quantum-computing/reasoning-under-uncertainty-with-a-near-term-quantum-computer-99882dc04bb ] accompanies the scientific paper and provides an accessible exposition of the principles behind this pioneering work, as well as descriptions of the proofs of principle implemented by the team.
With quantum devices set to improve in the coming years, this research lays the groundwork for quantum computing to be applied to probabilistic reasoning and its direct application in engineering and business-relevant problems.
In this video [https://www.youtube.com/watch?v=kMNTHkb627c&feature=youtu.be ], Dr. Mattia Fiorentini, Head of our Quantum Machine Learning division, provides detailed insight on the project outcomes and its implications.
About Cambridge Quantum Computing
Founded in 2014 and backed by some of the world's leading quantum computing companies, CQC is a global leader in quantum software and quantum algorithms, enabling clients to achieve the most out of rapidly evolving quantum computing hardware. CQC has offices in the UK, USA and Japan. For more information, visit CQC at http://www.cambridgequantum.com and on LinkedIn [https://www.linkedin.com/company/21661539/admin/ ]. Access the tket Python module on GitHub [https://cqcl.github.io/pytket/build/html/index.html ].
Source: Cambridge Quantum Computing
[편집자 주] 본고는 자료 제공사에서 제공한 것으로, 연합뉴스는 내용에 대해 어떠한 편집도 하지 않았음을 밝혀 드립니다.
(끝)
출처 : PRNewswire 보도자료
- 부분적 정보를 기반으로 하는 양자 지원 추론을 통해 정확하고 유연하며 효과적인 양자 기계 지능이 증명
(케임브리지, 잉글랜드 2021년 3월 30일 PRNewswire=연합뉴스) Cambridge Quantum Computing(CQC[ http://www.cambridgequantum.com/ ]) 과학자들이 방법을 개발하고, 양자 기계가 매우 일반적인 확률 추론 모델에서 숨겨진 정보를 추론하는 법을 학습할 수 있다고 증명했다. 이 방법은 복잡한 시스템에서 추론과 불확실성 수량화가 중요한 다양한 용도를 개선할 수 있다. 그 예로는 의학 진단, 미션 크리티컬 기계에서 고장 감지 또는 투자 관리를 위한 금융 예측 등이 있다.
출판 전 논문 저장소인 arXiv에서 발표된 이 논문[ https://arxiv.org/abs/2103.06720 ]에서 CQC 연구원들은 양자 컴퓨터가 실제 세계 시나리오에서 전형적인 불확실성을 다루는 법(인간은 종종 직관적인 방식으로 이를 처리할 수 있다)을 배울 수 있다는 학설을 수립했다. Dr. Marcello Benedetti가 이 연구팀을 이끌었고, Brian Coyle, Dr. Michael Lubasch 및 Dr. Matthias Rosenkranz가 공동 저자로 참여했다. 이 연구팀은 Dr. Mattia Fiorentini가 지휘하는 CQC 양자 기계 학습 부처에 속한다.
이 논문에서는 다음에 대한 양자 지원 추론을 증명하고자 시뮬레이터와 IBM Q 양자 컴퓨터에서 세 가지 원리 검증을 진행했다.
- 표준 베이즈망의 임의적 사례에 관한 추론
- 시뮬레이션된 금융 시계열의 숨겨진 마르코프 모델에서 시장 제도 전환 추론
- '폐암' 문제로 알려진 의학 진단 과제
원리 검증에 따르면, 고도의 표현력을 갖춘 추론 모델을 이용하는 양자 기계가 다양한 분야에서 새로운 용도를 지원할 수 있다고 한다. 이 논문은 "오늘날 시끄러운 양자 장치를 이용한 머신 러닝에서 양자 이점으로 향하는 가장 유망한 길 중 하나는 복잡한 분포에서 표본을 추출하는 것"이라는 같은 사실을 기반으로 한다. 이 선구적인 연구는 양자 컴퓨팅이 현재 초기 단계에 불과하지만, 인간의 추론 에뮬레이션 같은 과학계에서 가장 야심 찬 질문을 연구하는 데 효과적인 도구라는 사실을 보여준다.
단기간에 이 개발로 가장 큰 혜택을 볼 연구원 집단은 여러 산업에 종사하는 머신 러닝 과학자들과 양자 소프트웨어 및 하드웨어 개발자들이다.
이 학술 논문과 더불어 제공된 Medium 논문[ https://medium.com/cambridge-quantum-computing/reasoning-under-uncertainty-with-a-near-term-quantum-computer-99882dc04bb ]에서는 이 선구적인 연구의 기반이 되는 원리를 쉽게 설명하고 있으며, 또한 연구팀이 시행한 원리 검증까지 설명하고 있다.
앞으로 양자 장치가 개선될 전망인 가운데, 이 연구는 양자 컴퓨팅을 확률 추론에 적용하고, 공학과 사업 관련 문제에 직접 적용하기 위한 준비 작업을 제시한다.
CQC의 양자 머신 러닝 부장 Dr. Mattia Fiorentini는 영상[ https://www.youtube.com/watch?v=kMNTHkb627c&feature=youtu.be ]을 통해 프로젝트 결과와 그 시사점에 관한 자세한 통찰을 제공하고 있다.
Cambridge Quantum Computing 소개
2014년에 설립된 CQC는 양자 소프트웨어 및 양자 알고리듬 분야의 글로벌 선도기업이다. 회사는 세계 유수의 양자 컴퓨팅 기업의 지원을 받으며, 빠르게 진화하는 양자 컴퓨팅 하드웨어를 최대한 활용할 수 있도록 고객을 지원한다. CQC는 영국, 미국 및 일본에 사무실을 두고 있다. 추가 정보는 CQC 웹사이트 http://www.cambridgequantum.com 을 방문하거나 링크트인[ https://www.linkedin.com/company/21661539/admin/ ]을 참조한다. tket 파이썬 모듈은 GitHub[ https://cqcl.github.io/pytket/build/html/index.html ]에서 접속할 수 있다.
출처: Cambridge Quantum Computing
Cambridge Quantum Computing Pioneers Quantum Machine Learning Methods for Reasoning
- Quantum-assisted reasoning based on partial information demonstrates quantum machine intelligence that is accurate, flexible, and effective
CAMBRIDGE, England, March 30, 2021 /PRNewswire/ -- Scientists at Cambridge Quantum Computing (CQC [http://www.cambridgequantum.com/ ]) have developed methods and demonstrated that quantum machines can learn to infer hidden information from very general probabilistic reasoning models. These methods could improve a broad range of applications, where reasoning in complex systems and quantifying uncertainty are crucial. Examples include medical diagnosis, fault-detection in mission-critical machines, or financial forecasting for investment management.
In this paper [https://arxiv.org/abs/2103.06720 ] published on the pre-print repository arXiv, CQC researchers established that quantum computers can learn to deal with the uncertainty that is typical of real-world scenarios, and which humans can often handle in an intuitive way. The research team has been led by Dr. Marcello Benedetti with co-authors Brian Coyle, Dr. Michael Lubasch, and Dr. Matthias Rosenkranz, and is part of the Quantum Machine Learning division of CQC, headed by Dr. Mattia Fiorentini.
The paper implements three proofs of principle on simulators and on an IBM Q quantum computer to demonstrate quantum-assisted reasoning on:
- inference on random instances of a textbook Bayesian network
- inferring market regime switches in a hidden Markov model of a simulated financial time series
- a medical diagnosis task known as the "lung cancer" problem.
The proofs of principle suggest quantum machines using highly expressive inference models could enable new applications in diverse fields. The paper draws on the fact that sampling from complex distributions is considered among the most promising ways towards a quantum advantage in machine learning with today's noisy quantum devices. This pioneering work indicates how quantum computing, even in its current early stage, is an effective tool for studying science's most ambitious questions such as the emulation of human reasoning.
Machine learning scientists across industries and quantum software and hardware developers are the groups of researchers that should benefit the most from this development in the near-term.
This Medium article [https://medium.com/cambridge-quantum-computing/reasoning-under-uncertainty-with-a-near-term-quantum-computer-99882dc04bb ] accompanies the scientific paper and provides an accessible exposition of the principles behind this pioneering work, as well as descriptions of the proofs of principle implemented by the team.
With quantum devices set to improve in the coming years, this research lays the groundwork for quantum computing to be applied to probabilistic reasoning and its direct application in engineering and business-relevant problems.
In this video [https://www.youtube.com/watch?v=kMNTHkb627c&feature=youtu.be ], Dr. Mattia Fiorentini, Head of our Quantum Machine Learning division, provides detailed insight on the project outcomes and its implications.
About Cambridge Quantum Computing
Founded in 2014 and backed by some of the world's leading quantum computing companies, CQC is a global leader in quantum software and quantum algorithms, enabling clients to achieve the most out of rapidly evolving quantum computing hardware. CQC has offices in the UK, USA and Japan. For more information, visit CQC at http://www.cambridgequantum.com and on LinkedIn [https://www.linkedin.com/company/21661539/admin/ ]. Access the tket Python module on GitHub [https://cqcl.github.io/pytket/build/html/index.html ].
Source: Cambridge Quantum Computing
[편집자 주] 본고는 자료 제공사에서 제공한 것으로, 연합뉴스는 내용에 대해 어떠한 편집도 하지 않았음을 밝혀 드립니다.
(끝)
출처 : PRNewswire 보도자료
