Simulation of Detection of Purchasing Behaviors of People Using Supervised Quantum Machine Learning Based on Continous-Variable Model

Abstract

In this study, purchasing behavior of people is examined by supervised quantum machine learning based on continuous-variable model. In this context, sample data is taken from the cloud environment. These data is provided as homogenous separation as 75% training and 25% test data. Separated test data was not used in the training process, attention was paid to the healthy implementation of the learning process. Then, the normalization process was performed to ensure the consistency between the independent variables in this data. Thus, the data ready for the learning process are used in the supervised quantum machine learning algorithm performed on variational circuit based continuous variable model. In addition, these data are simulated with the classical support vector machine learning algorithm. Confusion matrices and receiver operating characteristic (ROC) curves for both quantum and classical machine learning algorithms were obtained. Finally, by entering sample values except the test data in the data set, the results are displayed textually and visually. Based on the obtained results, it was determined that quantum machine learning based on continuous variable model is more sensitive. The source codes related to algorithms are found in Github.

 

Keywords

• quantum machine learning,continuous-variable model,quantum computing

Sürekli Değişken Modele Dayalı Gözetimli Kuantum Makine Öğrenmesi ile Kişilerin Satın Alma Davranışlarının Tespitinin Simulasyonu

Abstract

Bu çalışmada kişilerin satın alma davranışları sürekli-değişken modele dayalı gözetimli kuantum makine öğrenmesi ile incelenmiştir. Bu bağlamda, örnek veriler bulut ortamından alınmaktadır. Bu verilerin %75’inin eğitim ve %25’inin test verisi olarak, homojen bir şekilde ayrılması sağlanmıştır. Ayrılan test verisinin eğitim işleminde kullanılmamasına, öğrenme işleminin sağlıklı gerçekleştirilmesi için dikkat edilmiştir. Sonrasında bu verilerdeki bağımsız değişkenler arasındaki uyumun sağlanması için normalizasyon işlemi gerçekleştirilmiştir. Böylece öğrenme işlemi için hazır hale gelen veriler,  sürekli değişken modele dayalı varyasyonel devre üzerinde gerçekleştirilen gözetimli kuantum makine öğrenme algoritmasında kullanılmıştır. Ayrıca bu veriler klasik destek vektör makine öğrenme algoritması ile de simüle edilmiştir. Hem kuantum hem de klasik makine öğrenme algoritmalarına ait çapraz tahmin matrisleri ve alıcı işletim karakteristiği (AİK) eğrileri elde edilmiştir. Son olarak veri kümesindeki test verisi haricinde örnek değerler girilerek, sonuçlar metinsel ve görsel olarak görüntülenmiştir. Elde edilen sonuçların karşılaştırılması sonucunda ise sürekli değişken modele dayalı kuantum makine öğrenmesinin daha duyarlı sonuç verdiği tespit edilmiştir. Algoritmalar ile ilgili kaynak kodlar Github’ta bulunmaktadır.

Keywords

• kuantum makine öğrenmesi,sürekli-değişken modelli kuantum hesaplama,kuantum bilgisayarlar

References

1. Braunstein S. L., Loock P., 2005. Quantum information with continuous variables. Reviews of Modern Physics, 77:513–24 577.
2. Eryılmaz Ö. and Yılmaz İ., 2019. https://github.com/omereryilmaz/master-thesis-qml.
3. Grant E., Benedetti M., Cao S., Hallam A., Lockhart J., Stojevic V., Green A. and Severini S., 2018. Hierarchical quantum classifiers. Quantum Information (2018) 4:65 from https://doi.org/10.1038/s41534-018-0116-9.
4. Izaac J., 2018a. Numerical Learning: Supervised learning from https://qmlt.readthedocs.io/en/latest/tutorials/numerical.html#supervised-learning.
5. Izaac J., 2018b. Continuous-Variable Quantum Computing: Conventions and formulas from https://strawberryfields.readthedocs.io/en/latest/conventions/gates.html.
6. Johansson R., 2015. Clarification of the pseudocode in the Pegasos paper.
7. Jordan S.,2011. Quantum Algorithm Zoo from http://math.nist.gov/quantum/zoo/.
8. Killoran N., Izaac J., Quesada N., Bergholm V., Amy M., Weedbrook C., 2018. Strawberry Fields: A Software Platform for Photonic Quantum Computing.

9. Nielsen M. A., Chuang I., 2002. Quantum computation and quantum information. AAPT.
10. Schuld M., Sinayskiy I., Petruccione F., 2014. An introduction to quantum machine learning. arXiv preprint arXiv:1409.3097.
11. Schuld M., 2018. Quantum Machine Learning Toolbox: Variational Circuits from https://qmlt.readthedocs.io/en/latest/variational.html#variational.
12. Schuld M., Bocharov A., Svore K., Wiebe N., 2018. Circuit-centric quantum classifiers. arXiv:1804.00633v1.
13. Shalev-Shwartz S., Singer Y., Srebro N., Cotter A., 2011. Pegasos: Primal estimated sub-gradient solver for SVM.