動かして学ぶ量子コンピュータプログラミング ―シミュレータとサンプルコードで理解する基本アルゴリズム

13.3

 量子サポートベクターマシン

273

明する

QSVM

では、既知の分類を持つ特徴量空間のデータポイントを使ってトレーニングを行う必要

があります。しかし、

QSVM

には従来にないような制約がいくつか存在します。第一に、

QSVM

では、

トレーニングデータは

QRAM

を用いて、重ね合わせ状態のままでアクセスできるものでなくてはなり

ません。さらに、学習したモデルを記述するパラメータ（将来の分類に使用）は、

QPU

レジスタで振幅

エンコーディングされた状態で生成されます。量子情報を扱うので、

QSVM

を利用する際には、いつ

ものように特別な注意を払わなくてはなりません。

13.3.1

 従来型のサポートベクターマシン

サポートベクターマシン（

SVM

）は、さまざまな分野で応用されている教師あり分類器の中で一般的

なものです。他の線形分類器と同様に、

SVM

は、トレーニングデータを使用し、注目する問題に対し

て、特徴量空間で異なる出力クラスを分離する超平面（

hyperplane

）を 決 定 し ま す 。

SVM

がこのような

超平面を学習すると、これらの超平面のどちら側にあるかをチェックすることで、特徴量空間の新しい

データポイントを分類することができます。単純な例として、

2

つ の 特 徴（ つ ま り

2

次元の特徴量空間）

しかなく、さらにデータが想定できる出力クラスが

2

つだけ存在するとしましょう。この場合、図13-6

に示すように、求める超平面は線になります。ここで、

x

軸と

y

軸は

2

つの特徴量の値を表し、青と赤

の点は

2

つの出 ...