Unsupervised Machine Learning with Adiabatic Quantum Computing
Loading...
Files
Date
Journal Title
Journal ISSN
Volume Title
Publisher
Setif 1 University Ferhat Abbas . Faculty of Sciences
Abstract
Ces dernières années, l’informatique quantique est apparue comme un paradigme prometteur pour résoudre des problèmes d’optimisation combinatoire inaccessibles aux algorithmes classiques. Ce mémoire étudie l’application de méthodes inspirées du quantique à des tâches de partitionnement de données, en s’appuyant sur les principes de l’informatique quantique adiabatique (AQC). L’étude se concentre sur deux techniques majeures : K-Means et le partitionnement basé sur l’arbre couvrant de poids minimal (Minimum Spanning Tree – MST), toutes deux implémentées dans leurs versions classiques et formulées en QUBO.
Le recuit simulé est utilisé pour imiter le comportement du recuit quantique, en raison d’un accès limité au matériel quantique réel.
Une série d’expériences a été menée sur des jeux de données de référence standards, tels que Iris, Blobs et Moons, afin de comparer les performances des approches classiques et basées sur QUBO à l’aide de métriques d’évaluation. Les résultats révèlent que, bien que les méthodes de partitionnement QUBO puissent atteindre des performances compétitives, elles sont très sensibles aux paramètres de pénalité, et leur efficacité diminue à mesure que la taille du jeu de données augmente. Ces observations mettent en évidence des limites clés liées à la scalabilité et au réglage des paramètres dans les formulations QUBO actuelles.
Malgré ces défis, l’étude démontre le potentiel du partitionnement de données inspiré du quantique et constitue une base pour de futures recherches. Des pistes d’amélioration incluent des approches hybrides quantique-classique, un ajustement adaptatif des pénalités, et des codages QUBO plus efficaces. Ce travail contribue au développement croissant de la recherche à l’interface entre l’informatique quantique et l’apprentissage automatique, et ouvre la voie à des cadres de partitionnement quantique plus robustes.
Description
In recent years, quantum computing has emerged as a promising paradigm for solving combinatorial optimization problems that are intractable for classical algorithms. This thesis investigates the application of quantum-inspired methods to unsupervised clustering tasks using adiabatic quantum computing (AQC) principles. The research concentrates on two prominent clustering techniques: K-Means and Minimum Spanning Tree (MST)-based clustering, both implemented in their classical and QUBO-based forms. Simulated annealing is used to mimic quantum annealing behavior due to limited access to real quantum hardware.
A series of experiments were conducted on standard benchmark datasets, including Iris, Blobs, and Moons, to compare the performance of classical and QUBO-based approaches using evaluation metrics. The results reveal that while QUBO clustering methods can achieve competitive performance, they are highly sensitive to penalty weight parameters, and their effectiveness diminishes as dataset size increases. These results show important limitations related to scalability and parameter tuning in current QUBO formulations.
Even with these challenges, the study illustrates the capability of quantum-inspired clustering and sets the stage for future research. Opportunities for improvement include hybrid quantum-classical approaches, adaptive penalty tuning, and more efficient QUBO encodings. This work helps to the growing of research at the inter- section of quantum computing and machine learning, and lays the groundwork for more robust quantum clustering frameworks.