皮皮虾科普网

皮皮虾科普网
分享国内外科学知识
皮皮虾科普网-国内外科学-科技-科普

科学家介绍了量子计算机器学习分类的新方法

更新时间:2020-07-20 16:40点击:

量子信息科学家在量子计算中引入了一种新的机器学习分类方法。量子二值分类器中的非线性量子内核为提高量子机器学习的准确性提供了新的见解,被认为能够超越当前的人工智能技术。

由电气工程学院的June-Koo Kevin Rhee教授领导的研究小组提出了一种基于量子态保真度的量子分类器,使用不同的初始状态,并用交换测试代替Hadamard分类。与传统的方法不同,该方法利用在大特征空间中寻找非线性特征的量子优势,在训练数据集较小的情况下,有望显著增强分类任务。

量子机器学习有望成为量子计算的重要应用之一。在机器学习中,一个广泛应用的基本问题是分类,这是一项需要在已标记的训练数据中识别模式的任务,以便给新的,以前没有看到的数据分配一个标签;核方法已经成为识别复杂数据中非线性关系的一种宝贵的分类工具。

最近,核方法被引入到量子机器学习中,取得了很大的成功。量子计算机在量子特征空间中高效访问和操作数据的能力,为量子技术提升现有的各种机器学习方法提供了机会。

分类算法与非线性内核的想法是,给定一个量子测试状态,协议计算加权功率之和量子数据在量子并行的形式通过交换考试电路后跟两个single-qubit测量(见图1)。这只需要少量的量子数据操作无论大小的数据。这种方法的新颖之处在于,标记的训练数据可以被密集地压缩成量子状态,然后与测试数据进行比较。

韩科院的团队与来自南非夸祖鲁-纳塔尔大学(UKZN)和德国数据控制论的研究人员合作,通过引入带有定制量子内核的量子分类器,进一步推进了快速发展的量子机器学习领域。

输入数据要么通过量子特征映射由经典数据表示,要么通过固有量子数据表示,分类基于测量测试数据与训练数据的紧密程度的核函数。

韩科院(KAIST)的丹尼尔·帕克(Daniel Park)博士是这项研究的主要作者之一,他说,量子内核可以系统地定制为任意的幂和,这使它成为现实世界应用的极佳候选。

Rhee教授说,量子分支技术是该团队之前发明的,它使协议从头开始成为可能,即使所有标记的训练数据和测试数据都被独立编码在不同的量子位元中。

来自UKZN的Francesco Petruccione教授解释道:“两个量子态的状态保真度包括概率振幅的虚部,这使得充分利用量子特征空间成为可能。”

为了证明分类协议的有效性,来自Data Cybernetics的Carsten Blank实现了分类器,并使用公共用户可通过云服务免费获得的五量子位IBM量子计算机进行了经典模拟比较。“这是一个有希望的迹象,表明该领域正在取得进展,”布兰克指出。