基于量子计算的分类和聚类算法综述

发布时间：2021-07-22 10:27

　　越来越多的研究表明,借助量子计算技术可以提高有监督分类算法和无监督聚类算法的计算效率,甚至是学习精度.通常采用的方法有:基于量子理论将经典信息转换为量子态的形式存储起来,用量子态来表示所有样本;以量子态之间的距离替代样本数据之间的经典距离,形成新的相似度来度量样本数据间的相似性等.通过理论和模拟验证表明,量子计算可以实现对经典机器学习算法的加速.最后,总结了量子机器学习技术的优势和目前所存在的问题,并展望了未来该领域的发展趋势. 

【文章来源】：微电子学与计算机. 2020,37(08)北大核心

【文章页数】：5 页

【部分图文】：

KNN算法数据分类方式

在特征空间中,样本即为一个个多维向量.因此,常用的相似度标准有:比较两个样本的内积、欧氏距离、汉明距离、曼哈顿距离、夹角余弦距离等.当想要把传统KNN算法转换为量子版本,通常聚焦在如何使用量子计算来评估两个向量之间的距离,以替代两个向量间的经典距离.为此,首先需要使用量子态来表示样本向量.A?meur等人[6]提出使用保真度(fidelity)〈a|b〉作为两个量子态|a〉和|b〉的相似度.保真度可以通过一个简单的Swap量子电路来得到,如图2所示.其中H代表Hadamard门,电路是否起作用由最上面的量子比特控制,即电路最上面的量子线对应的是控制比特,初始状态设置为|0〉.下面两个量子线对应的是受控量子比特.第一个H门将控制比特|0〉转换为一个叠加态 ( 1/ 2 )( |0?+|1? ) .当控制比特的状态为|1〉时,Swap量子电路对于状态 |a 和|b〉进行交换操作.经过第二个H门后可得到量子态

人工神经网络(Artificial Neural Network,ANN)是一种通过模拟生物神经网络的计算模型,应用十分广泛.一个经典的ANN是基于多层次的网状结构,如图3所示[1].图中的节点称为神经元(neurons),节点之间通过带有权重的突触(synapses)来连接.每个神经元都有一个激活函数,该函数通过上层神经元的值以及相应权重,从而决定了当前神经元的值.图3的第一层为输入层,最后一层为输出层,中间层(可以多层)为隐含层.

【参考文献】：
期刊论文
[1]量子机器学习算法综述[J]. 黄一鸣,雷航,李晓瑜.  计算机学报. 2018(01)
[2]轨迹大数据:数据处理关键技术研究综述[J]. 高强,张凤荔,王瑞锦,周帆.  软件学报. 2017(04)
[3]大数据与量子计算[J]. 王书浩,龙桂鲁.  Science Bulletin. 2015(Z1)



本文编号：3296976