CN108182477A - 一种基于povm测量的量子感知机方法 - Google Patents
一种基于povm测量的量子感知机方法 Download PDFInfo
- Publication number
- CN108182477A CN108182477A CN201711435581.1A CN201711435581A CN108182477A CN 108182477 A CN108182477 A CN 108182477A CN 201711435581 A CN201711435581 A CN 201711435581A CN 108182477 A CN108182477 A CN 108182477A
- Authority
- CN
- China
- Prior art keywords
- sample
- quantum
- operator
- perceptron
- povm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提出了一种基于POVM测量的量子感知机方法,所述方法通过对样本集中的所有输入构造POVM测量算子,进一步判断测量算子是否完备,否则构造第三个测量算子,从而实现一步迭代即可对样本进行分类。该方法较以往量子感知机对样本进行分类,具有更高的效率,即只需一次迭代即可实现对样本进行分类;同时它具有经典感知机无法比拟的量子并行计算能力。
Description
技术领域
本发明属于量子神经网络领域,涉及采用POVM测量通过一次迭代实现对样本的分类问题。
背景技术
人工神经网络(ANN)是对人脑工作机理的简单模仿,它建立在简化的神经元模型和学习规则的基础之上,已经在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。但随着应用的深入推广和实际问题的日益涌现,神经计算的局限与不足逐渐显现出来,如学习海量信息时处理速度过慢、记忆容量有限、需要反复训练、在接受新信息时易发生失忆现象等等,尤其是量子计算机和量子算法的出现,传统神经网络与量子计算相结合而产生的一种全新的量子神经网络(QNN)。通过将量子计算中量子态的叠加、纠缠、干涉和并行计算等量子特性引入到神经网络中,从而有效提升神经网络的信息处理能力,以及克服传统ANN的缺陷与不足,因此具有良好的应用前景。作为QNN的一个基本组成单元,量子感知机目前得到越来越多科研人员的关注。
众所周知,经典感知机需通过多次迭代以及多层网络来实现样本分类。2001年,Altaisky首次提出量子感知机模型,克服了经典感知机无法解决的某些问题(如XOR异或函数),但其仍然需要多次迭代才能实现样本分类。本发明提出的量子感知机充分利用POVM测量只需一步迭代就能实现样本分类,而且它具有传统单层感知机所无法比拟的计算能力。
发明内容
本发明的目的是设计一个高效的量子感知机,该方法通过构造POVM测量基,一次迭代实现对样本的无错分类。
技术方案具体步骤如下:
步骤一:准备训练样本集{(|x1>,y1),(|x2>,y2),…(|xi>,yi),…,(|xn>,yn)}。
步骤二:根据样本集中的所有输入,构造POVM测量算子
步骤三:判断测量算子是否完备,否则构造第三个测量算子M0=I-(M++M-)。
步骤四:采用{M+,M-}或{M+,M-,M0}测量算子对样本进行分类验证。
在步骤一中,准备训练样本集{(|x1>,y1),(|x2>,y2),…(|xi>,yi),…,(|xn>,yn)},其中|xi>是量子感知机的输入量子态,|yi>(yi∈{+1,-1})是正确分类结果。
在步骤二中,将属于yi=-1的样本输入部分进行相加得到属于yi=+1的样本输入部分相加得到其中N+,N-为归一化因子。
在步骤三中,判断测量算子是否完备(即M++M-=I是否成立),不成立则需构造第三个算子M0=I-(M++M-)。
在步骤四中,针对样本不同情况进行分类:
(1)完备情况下,采用{M+,M-}测量算子对样本进行分类,首先选取待分类的样本|x>,然后通过
进行计算,其中P(+)、P(-)为测量的计算结果。根据计算结果进行如下分类:①P(+)=0,P(-)≠0,样本属于+1类;②P(+)≠0,P(-)=0,样本属于-1类。
(2)欠完备情况下,采用{M+,M-,M0}测量算子对样本进行分类,首先选取待分类的样本|x>,然后通过
进行计算,根据计算结果进行如下分类:①P(+)=0,P(-)≠0,P(0)≠0,样本属于+1类;②P(+)≠0,P(-)=0,P(0)≠0,样本属于-1类;③P(+)≠0,P(-)≠0,P(0)=0,样本既不属于+1类,也不属于-1类。
有益效果
本发明的优点和效果是通过利用POVM测量,仅需通过一次迭代即可实现样本无错分类,相比Altaisky等提出的量子感知机更加高效。
附图说明
图1——基于POVM测量的量子感知机流程图。
图2——与门AND。
图3——或门OR。
图4——异或门XOR。
具体实施方式
以下结合附图具体说明本发明技术方案。
本发明技术方案实施的主要技术步骤如图1所示,具体内容如下:
选择具有代表性的经典门(AND、OR、XOR),举例说明所提感知机方法的训练学习与分类过程。
与门AND(如图2)
(A)完备训练集步骤如下:
(1)准备训练集:{(|00>,-1),(|01>,-1),(|10>,-1),(|11>,+1)}。
(2)构造测量算子:M+=|00><00|+|01><01|+|10><10|和M-=|11><11|。
(3)测量算子是完备的,则不需要构造第三个测量算子,即测量算子集为{M+,M-}。
(4)随机选取样本中的一个(|01>,-1),进行验证:
P(+)=<01|M+|01>=1≠0,P(-)=<01|M-|01>=0,得出|01>属于-1类。
(B)不完备训练集,步骤如下:
(1)准备训练集:{(|00>,-1),(|01>,-1),(|11>,+1)}
(2)构造测量算子:M+=|00><00|+|01><01|和M-=|11><11|。
(3)测量算子是不完备的,则需要构造第三个测量算子,即测量算子集为{M+,M-,M0},其中M0=I-M+-M-=|10><10|。
(4)随机选取样本中的一个(|11>,+1),进行验证:
P(+)=<11|M+|11>=0,P(-)=<11|M-|11>=1≠0,P(0)=<11|M-|11>=1≠0,得出|11>属于+1类。
或门OR(如图3)
(A)完备训练集,步骤如下:
(1)准备训练集:{(|00>,-1),(|01>,+1),(|10>,+1),(|11>,+1)}
(2)构造测量算子:M+=|00><00|和M-=|11><11|+|01><01|+|10><10|。
(3)测量算子是完备的,则不需要构造第三个测量算子,即测量算子集为{M+,M-}。
(4)随机选取样本中的一个(|01>,+1),进行验证:
P(+)=<01|M+|01>=0,P(-)=<01|M-|01>=1≠0,得出|01>属于+1类。
(B)不完备训练集,步骤如下:
(1)准备训练集:{(|00>,-1),(|01>,+1),(|10>,+1)}
(2)构造测量算子:M+=|00><00|和M-=|01><01|+|10><10|。
(3)测量算子是不完备的,则需要构造第三个测量算子,即测量算子集为{M+,M-,M0},其中M0=I-M+-M-=|11><11|。
(4)随机选取样本中的一个(|00>,-1),进行验证:
P(+)=<00|M+|00>=1≠0,P(-)=<00|M-|00>=0,P(0)=<00|M-|00>=1≠0,得出|00>属于-1类。
异或门XOR(如图4)
(A)完备训练集,步骤如下:
(1)准备训练集:{(|00>,-1),(|01>,+1),(|10>,+1),(|11>,-1)}
(2)构造测量算子:M+=|00><00|+|11><11|和M-=|01><01|+|10><10|。
(3)测量算子是完备的,则不需要构造第三个测量算子,即测量算子集为{M+,M-}。
(4)随机从样本集中选取一个样本(|00>,-1),进行验证:
P(+)=〈00|M+|00〉=1≠0,P(-)=〈00|M-|00〉=0,得出|00>属于-1类。
(B)不完备训练集,步骤如下:
(1)准备训练集:{(|00>,-1),(|01>,+1),(|10>,+1)}
(2)构造测量算子:M+=|00><00|和M-=|01><01|+|10><10|。
(3)测量算子是不完备的,则需要构造第三个测量算子,即测量算子集为{M+,M-,M0},其中M0=I-M+-M-=|11><11|。
(4)随机选取样本中的一个(|01>,+1),进行验证:
P(+)=<01|M+|01>=0,P(-)=<01|M-|01>=1≠0,P(0)=<01|M-|01>=1≠0,得出|01>属于+1类。
Claims (5)
1.一种基于POVM测量的量子感知机方法,其特征在于,具体步骤如下:
步骤一)、准备训练样本集{(|x1>,y1),(|x2>,y2),…(|xi>,yi),…,(|xn>,yn)};
步骤二)、构造POVM测量算子
步骤三)、判断测量基是否完备,根据不同情况进行俩种不同测量算子的调整;
步骤四)、对样本进行分类验证。
2.如权利要求1所述的方法,其特征在于,在步骤一)中,准备训练样本集{(|x1>,y1),(|x2>,y2),…(|xi>,yi),…,(|xn>,yn)},其中|xi>是量子感知机的输入量子态,|yi>(yi∈{+1,-1})是正确分类结果。
3.如权利要求1所述的方法,其特征在于,在步骤二)中,将yi=+1的样本输入部分形式进行相加得到P+,N+为归一化因子,属于yi=-1的样本进行相加得到P-,N-为归一化因子。
4.如权利要求1所述的方法,其特征在于,在步骤三)中,判断测量基关系,不完备就构造第三个算子P0=I-P+-P-。
5.如权利要求1所述的方法,其特征在于,在步骤四)中,根据样本集通过<x|P+|x>和<x|P-|x>值进行分类验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711435581.1A CN108182477A (zh) | 2017-12-26 | 2017-12-26 | 一种基于povm测量的量子感知机方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711435581.1A CN108182477A (zh) | 2017-12-26 | 2017-12-26 | 一种基于povm测量的量子感知机方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108182477A true CN108182477A (zh) | 2018-06-19 |
Family
ID=62547210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711435581.1A Withdrawn CN108182477A (zh) | 2017-12-26 | 2017-12-26 | 一种基于povm测量的量子感知机方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182477A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109831299A (zh) * | 2019-02-14 | 2019-05-31 | 南京邮电大学 | 基于正定算子测量的设备无关量子随机数发生器 |
CN111462733A (zh) * | 2020-03-31 | 2020-07-28 | 科大讯飞股份有限公司 | 多模态语音识别模型训练方法、装置、设备及存储介质 |
-
2017
- 2017-12-26 CN CN201711435581.1A patent/CN108182477A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109831299A (zh) * | 2019-02-14 | 2019-05-31 | 南京邮电大学 | 基于正定算子测量的设备无关量子随机数发生器 |
CN109831299B (zh) * | 2019-02-14 | 2021-09-24 | 南京邮电大学 | 基于正定算子测量的设备无关量子随机数发生器 |
CN111462733A (zh) * | 2020-03-31 | 2020-07-28 | 科大讯飞股份有限公司 | 多模态语音识别模型训练方法、装置、设备及存储介质 |
CN111462733B (zh) * | 2020-03-31 | 2024-04-16 | 科大讯飞股份有限公司 | 多模态语音识别模型训练方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190665A (zh) | 一种基于半监督生成对抗网络的通用图像分类方法和装置 | |
Konar et al. | Auto-diagnosis of COVID-19 using lung CT images with semi-supervised shallow learning network | |
CN104751229B (zh) | 一种改进bp神经网络估值的缺失数据轴承故障诊断方法 | |
Cheng et al. | Combining convolutional and recurrent neural networks for Alzheimer's disease diagnosis using PET images | |
CN106951911A (zh) | 一种快速的多标签图片检索系统及实现方法 | |
CN109166100A (zh) | 基于卷积神经网络的多任务学习细胞计数方法 | |
Duan et al. | Multivariate time-series classification with hierarchical variational graph pooling | |
CN104268593A (zh) | 一种小样本情况下多稀疏表示的人脸识别方法 | |
Kuang et al. | Preview on structures and algorithms of deep learning | |
Cresswell et al. | CaloMan: Fast generation of calorimeter showers with density estimation on learned manifolds | |
CN107341510A (zh) | 基于稀疏正交的双图非负矩阵分解的图像聚类方法 | |
CN107451594A (zh) | 一种基于多元回归的多视角步态分类方法 | |
CN108182477A (zh) | 一种基于povm测量的量子感知机方法 | |
Hagar et al. | Apache spark and deep learning models for high‐performance network intrusion detection using CSE‐CIC‐IDS2018 | |
Wang et al. | Brain-inspired interpretable network pruning for smart vision-based defect detection equipment | |
Patel et al. | Quantum inspired binary neural network algorithm | |
Dong et al. | An improved YOLOv5 network for lung nodule detection | |
Shen et al. | Facial expression recognition based on bidirectional gated recurrent units within deep residual network | |
Weihong et al. | Optimization of BP neural network classifier using genetic algorithm | |
CN104881634B (zh) | 一种基于完备局部凸凹模式的光照人脸识别方法 | |
Shi et al. | EpiRep: Learning node representations through epidemic dynamics on networks | |
Zhong et al. | A diversified deep belief network for hyperspectral image classification | |
Li et al. | Cascadenet: Modified resnet with cascade blocks | |
Nam et al. | Training an artificial neural network for recognizing electron collision patterns | |
Kowalski | Evolutionary strategy for the fuzzy flip-flop neural networks supervised learning procedure |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180619 |