CN113408731B - K-Nearst-Neighbor量子线路实现方法 - Google Patents

K-Nearst-Neighbor量子线路实现方法 Download PDF

Info

Publication number
CN113408731B
CN113408731B CN202110683925.0A CN202110683925A CN113408731B CN 113408731 B CN113408731 B CN 113408731B CN 202110683925 A CN202110683925 A CN 202110683925A CN 113408731 B CN113408731 B CN 113408731B
Authority
CN
China
Prior art keywords
quantum
hamming distance
bit
training set
qubit
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.)
Active
Application number
CN202110683925.0A
Other languages
English (en)
Other versions
CN113408731A (zh
Inventor
姚鹏
芦存博
杨林
王浩枫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Computer Technology and Applications
Original Assignee
Beijing Institute of Computer Technology and Applications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Computer Technology and Applications filed Critical Beijing Institute of Computer Technology and Applications
Priority to CN202110683925.0A priority Critical patent/CN113408731B/zh
Publication of CN113408731A publication Critical patent/CN113408731A/zh
Application granted granted Critical
Publication of CN113408731B publication Critical patent/CN113408731B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Superconductor Devices And Manufacturing Methods Thereof (AREA)
  • Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)

Abstract

本发明涉及一种K‑Nearst‑Neighbor量子线路实现方法，属于量子算法仿真领域。本发明结合量子线路编辑和经典KNN算法的基本思想，构造了量子KNN线路；将待检测样本放在量子计算网络第一寄存器中，训练集存入第二寄存器，并准备一位辅助位量子态|0>在第三寄存器中,通过量子受控非门、泡利门对样本和训练集进行运算，并统计Hamming距离，根据Hamming距离更改辅助量子位，对KNN类别进行测量。本发明量子信息处理表现出的并行性将是经典计算能力无法比拟的。同时，经典量子混合计算架构也符合当前量子人工智能领域的发展趋势，使得本发明具有科研前沿性和创新性。

Description

K-Nearst-Neighbor量子线路实现方法
技术领域
本发明属于量子算法仿真领域，具体涉及一种K-Nearst-Neighbor量子线路实现方法。
背景技术
当下，量子计算信息技术正处在从基础研究走向应用探索的关键时期。量子计算从计算方式上根本改变现有计算机的冯诺伊曼机架构，能够带来计算能力指数级别的提升，而量子计算和人工智能的结合并不是随性偶遇或是强行撮合，一方面指运用传统机器学习技术，可以帮助量子物理学家去处理很多复杂的量子物理数据分析；另一方面，运用量子计算技术可以推动机器学习的发展。为了突破现有算力的局限性，量子人工智能可谓是强强联合，并被视为新的突破点。
K最邻近法KNN算法的核心思想是，如果一个样本在特征空间中的K个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。KNN方法在类别决策时，只与极少量的相邻样本有关。由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。
量子KNN算法不再能适用欧式距离描述待分类点与分类中心之间的距离，而改用Hamming距离来描述两点距离。Hamming距离定义为计算两个长度相等的位向量的对应符号不同的位置数。例如：Hamming距离:0110与0001的距离为3，Hamming距离:0110与1110的距离为1。虽然在KNN下这样使用Hamming距离有违常识，利用预定hash函数将自然向量映射到位向量，使得Hamming空间下的KNN分类器性能可以与复杂的判别分类器(包括支持向量机和神经网络)相竞争。在量子机器KNN算法中，将目标的特征映射到Hi lbert空间中的基态量子态，则通过计算这些态之间的Hamming距离可以更容易地选择测试样本的k个最近邻，从而避免了一般操作中的一些耗时操作，进一步提高了量子态计算性能。
本专利意在提供一种基于量子受控非门、泡利门的K-Nearst-Neighbor量子线路实现方法。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是如何提供一种K-Nearst-Neighbor量子线路实现方法，以解决KNN算法的量子线路实现问题。
(二)技术方案
为了解决上述技术问题，本发明提出一种K-Nearst-Neighbor量子线路实现方法，该方法包括如下步骤：
S1、输入待检测样本，将待检测样本的特征向量存储为量子位向量|X>，同时将训练集的特征向量|Vp>以及对应的分类标签Cp∈{1,…,L}构造成训练集|Τ>；
S2、将待检测样本放在量子计算网络第一寄存器中，训练集存入第二寄存器，并准备一位辅助位量子态|0>在第三寄存器中，三个寄存器的量子线路状态共同组成了初始量子态
Figure GDA0003200768230000021
S3、通过受控非门CNOT网络进行|X>与|Vp>的区别位计算，计算结果记为
Figure GDA0003200768230000022
将第一寄存器中数据更换
Figure GDA0003200768230000023
供后续计算，三个寄存器的量子线路状态共同组成了量子态
Figure GDA0003200768230000024
S4、计算
Figure GDA0003200768230000025
的Hamming距离，并根据Hamming距离是否达到阈值来更改辅助量子位,三个寄存器的量子线路状态共同组成了量子态
Figure GDA0003200768230000026
S5、对KNN类别进行测量:
Figure GDA0003200768230000027
的Hamming距离计算完成之后，在量子线路中的量子位进行连续OR门操作，最高位的输出信号表示的是Hamming距离的分类结果。
进一步地，所述步骤S1具体包括：将待检测样本集和训练集的特征向量存储为二进制位向量，并在此基础之上对二进制位向量进行编码，将其转换成量子向量。
进一步地，所述对二进制位向量进行编码，将其转换成量子向量具体包括：
将二进制位向量中的0用基本量子态|0>表示，同时二进制位向量中的1用基本量子态|1>表示；然后将所有量子态组合成为一个N维的量子位向量，其中待测样本集为|X>，训练集为|Vp>,p＝1,…,N；并生成对应的分类标签Cp∈{1,…,L}；最后构造训练集：
Figure GDA0003200768230000031
其中，P是定义域，|Vp>是指一个n维量子位向量，其中分量分别为：
Figure GDA0003200768230000032
Cp是指最终生成的量子位对应的分类标签。
进一步地，所述步骤S2中的量子态
Figure GDA0003200768230000033
为：
Figure GDA0003200768230000034
进一步地，所述步骤S3中的量子态
Figure GDA0003200768230000035
的计算公式为：
Figure GDA0003200768230000036
其中X()指对相应量子线路进行非门NOT门运算，即|1>变为|0>或者|0>变为|1>；CNOT()指对相应的两个量子线路进行受控非门CNOT门运算，如果量子位的状态相同则返回|1>，不同则会返回|0>。
进一步地，所述量子态
Figure GDA0003200768230000037
为：
Figure GDA0003200768230000038
其中U表示对量子态
Figure GDA0003200768230000039
的一次操作；Ω表示为一个包含训练集数据标签的集合，该集合包含了所有训练集中Hamming距离小于阈值t的数据标签；如果标签是在集合内，则辅助量子位更改为|1>，不在集合中则辅助量子位不更改。
进一步地，U在物理学中希尔伯特空间的一次幺正变换，在数学中一个厄米共轭矩阵。
进一步地，所述计算
Figure GDA0003200768230000041
的Hamming距离具体包括：对
Figure GDA0003200768230000042
中每一位的数字求和得到Hamming距离
Figure GDA0003200768230000043
|a0…an-1>是
Figure GDA0003200768230000044
累加到
Figure GDA0003200768230000045
的求和结果，用二进制数a来表示求和结果，然后与di+1进行求和即可得i+1次求和后的结果：a+di+1。
进一步地，由于使用到了X(Xk)NOT门，所以Hamming距离
Figure GDA0003200768230000046
是被反置的，实际上Hamming距离≤t等价于：
Figure GDA0003200768230000047
假设2k-1≤n≤2k，设l＝2k-n，则Hamming距离≤t最终被表达为：
Figure GDA0003200768230000048
将a＝l+t，Hamming距离≤t被确定为
Figure GDA0003200768230000049
是否溢出寄存器；当累加Hamming距离完成之后，将计算结果的量子位向量从最高位开始的
Figure GDA00032007682300000410
个量子比特作为典型量子比特，并将典型量子比特进行连续的OR门操作，最高位的输出信号是CONDp信号。
进一步地，CONDp信号表示的是Hamming距离是否小于t，如果小于t，则认为被测样本和训练集属于同一类。
(三)有益效果
本发明提出一种K-Nearst-Neighbor量子线路实现方法，结合量子线路编辑和经典KNN算法的基本思想，构造了量子KNN线路。量子相干性和量子纠缠等特性为量子信息处理带来了完全不同于经典计算的独特运算方式，量子计算的能力随量子比特数目呈指数增加。量子信息处理表现出的并行性将是经典计算能力无法比拟的。同时，经典量子混合计算架构也符合当前量子人工智能领域的发展趋势，使得本发明具有科研前沿性和创新性。
附图说明
图1为量子受控非门CNOT的结构图；
图2为量子求和线路详细(a)和化简(b)结构图；
图3为量子OR门线路详细(a)和化简(b)结构图；
图4为量子KNN整体的结构图。
具体实施方式
为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
基于上述问题，本发明提供了一种基于量子受控非门、泡利门的K-Nearst-Neighbor量子线路实现方法：
S1、输入待检测样本，将待检测样本的特征向量存储为量子位向量|X>，同时将训练集的特征向量|Vp>以及对应的分类标签Cp∈{1,…,L}构造成训练集|Τ>。
其中P是定义域，|Vp>是指一个n维量子位向量，其中分量分别为：
Figure GDA0003200768230000051
Cp是指最终生成的量子位对应的分类标签。
S2、将待检测样本放在量子计算网络第一寄存器中，训练集存入第二寄存器，并准备一位辅助位量子态|0>在第三寄存器中。三个寄存器的量子线路状态共同组成了初始量子态
Figure GDA0003200768230000052
S3、通过受控非门CNOT网络进行|X>与|Vp>的区别位计算，计算结果记为
Figure GDA0003200768230000053
例如：|X>＝|0010>，|Vp>＝|1010>则
Figure GDA0003200768230000054
将第一寄存器中数据更换
Figure GDA0003200768230000055
供后续计算，三个寄存器的量子线路状态共同组成了量子态
Figure GDA0003200768230000056
Figure GDA0003200768230000057
其中X()指对相应量子线路进行非门(NOT门)运算，即|1>变为|0>或者|0>变为|1>。CNOT()指对相应的两个量子线路进行受控非门(CNOT门)运算，如果量子位的状态相同则返回|1>，不同则会返回|0>。
S4、计算
Figure GDA0003200768230000058
的Hamming距离，并根据Hamming距离是否达到阈值来更改辅助量子位。三个寄存器的量子线路状态共同组成了量子态
Figure GDA0003200768230000061
Figure GDA0003200768230000062
其中U表示对量子态
Figure GDA0003200768230000063
的一次操作，物理学中对应希尔伯特空间的一次幺正变换，数学中代表一个厄米共轭矩阵。Ω表示为一个包含训练集数据标签的集合，该集合包含了所有训练集中Hamming距离小于阈值t的数据标签。如果标签是在集合内，则辅助量子位更改为|1>，不在集合中则辅助量子位不更改。
S5、对KNN类别进行测量。
Figure GDA0003200768230000064
的Hamming距离计算完成之后，在量子线路中的量子位进行连续OR门操作，最高位的输出信号表示的是Hamming距离的分类结果。
本发明结合量子线路编辑和经典KNN算法的基本思想，构造了量子KNN线路。量子相干性和量子纠缠等特性为量子信息处理带来了完全不同于经典计算的独特运算方式，量子计算的能力随量子比特数目呈指数增加。量子信息处理表现出的并行性将是经典计算能力无法比拟的。同时，经典量子混合计算架构也符合当前量子人工智能领域的发展趋势，使得本发明具有科研前沿性和创新性。
下面结合附图1-4对本发明做进一步具体说明。
实施步骤：
步骤一，首先将待检测样本集和训练集的特征向量存储为二进制位向量，并在此基础之上对经典二进制位向量进行编码，将其转换成量子向量。具体的做法是，将经典二进制位向量中的0用基本量子态|0>表示，同时经典二进制位向量中的1用基本量子态|1>表示；然后将所有量子态组合成为一个N维的量子位向量，其中待测样本集为|X>，训练集为|Vp>,p＝1,…,N；并生成对应的分类标签Cp∈{1,…,L}。最后构造训练集：
Figure GDA0003200768230000071
步骤二，将待检测的样本和训练集分别放入第一寄存器和第二寄存器，并在此基础之上，添加一位新的辅助位量子态|0>，为了方便后续的计算，此时将结果记作
Figure GDA0003200768230000072
Figure GDA0003200768230000073
步骤三，通过量子受控非门组成的网络对样本|X>与训练集|Vp>的每一位进行区别计算，其中量子受控非门如图1所示。如果量子位的状态相同则返回|1>，不同则会返回|0>。再通过X(Xk)量子门(NOT门-Pauil X门)将返回的结果进行翻转，即|1>变为|0>或者|0>变为|1>。最后将其返回数据用
Figure GDA0003200768230000074
表示，并存储在第一寄存器。此时结果用量子态
Figure GDA0003200768230000075
表示：
Figure GDA0003200768230000076
步骤四，因为计算出每一位的区别并保存在
Figure GDA0003200768230000077
中，结合Hamming距离的定义，需要对
Figure GDA0003200768230000078
中每一位的数字求和才能得到Hamming距离
Figure GDA0003200768230000079
具体的量子求和电路如图2所示，|a0…an-1>是
Figure GDA00032007682300000710
累加到
Figure GDA00032007682300000711
的求和结果(增加电路计算的结果)，可以用二进制数a来表示求和结果，然后与di+1进行求和即可得i+1次求和后的结果：a+di+1。为方便整合为inCk电路。
步骤五，对KNN类别进行测量。在区别位的计算过程中，由于使用到了X(Xk)量子门(NOT门-Pauil X门)，所以Hamming距离
Figure GDA00032007682300000712
是被反置的，实际上Hamming距离≤t等价于：
Figure GDA00032007682300000713
假设2k-1≤n≤2k，设l＝2k-n，则Hamming距离≤t最终可以被表达为：
Figure GDA00032007682300000714
这意味着可以将a＝l+t，这样Hamming距离≤t可以被确定为
Figure GDA0003200768230000081
是否溢出寄存器。当累加Hamming距离完成之后，将计算结果的量子位向量从最高位开始的
Figure GDA0003200768230000082
个量子比特作为典型量子比特，并将典型量子比特进行连续的OR门操作，图3表示的是t个量子位进行连续OR的量子线路实现，最高位的输出信号是CONDp信号，该信号表示的是Hamming距离是否小于t，如果小于t，则认为被测样本和训练集属于同一类。最终的量子KNN线路图如图4所示。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.一种K-Nearst-Neighbor量子线路实现方法，其特征在于，该方法包括如下步骤：
S1、输入待检测样本，将待检测样本的特征向量存储为量子位向量|X>，同时将训练集的特征向量|Vp>以及对应的分类标签Cp∈{1,...,L}构造成训练集|T>；
S2、将待检测样本放在量子计算网络第一寄存器中，训练集存入第二寄存器，并准备一位辅助位量子态|0>在第三寄存器中，三个寄存器的量子线路状态共同组成了初始量子态
Figure FDA0004039374330000011
S3、通过受控非门CNOT网络进行|X>与|Vp>的区别位计算，计算结果记为
Figure FDA0004039374330000012
将第一寄存器中数据更换
Figure FDA0004039374330000013
供后续计算，三个寄存器的量子线路状态共同组成了量子态
Figure FDA0004039374330000014
S4、计算
Figure FDA0004039374330000015
的Hamming距离，并根据Hamming距离是否达到阈值来更改辅助量子位,三个寄存器的量子线路状态共同组成了量子态
Figure FDA0004039374330000016
S5、对KNN类别进行测量:
Figure FDA0004039374330000017
的Hamming距离计算完成之后，在量子线路中的量子位进行连续OR门操作，最高位的输出信号表示的是Hamming距离的分类结果；
所述步骤S3中的量子态
Figure FDA0004039374330000018
的计算公式为：
Figure FDA0004039374330000019
其中X()指对相应量子线路进行非门NOT门运算，即|1>变为|0>或者|0>变为|1>；CNOT()指对相应的两个量子线路进行受控非门CNOT门运算，如果量子位的状态相同则返回|1>，不同则会返回|0>；
所述量子态
Figure FDA00040393743300000110
为：
Figure FDA00040393743300000111
其中U表示对量子态
Figure FDA00040393743300000112
的一次操作；Ω表示为一个包含训练集数据标签的集合，该集合包含了所有训练集中Hamming距离小于阈值t的数据标签；如果标签是在集合内，则辅助量子位更改为|1>，不在集合中则辅助量子位不更改；
所述计算
Figure FDA00040393743300000113
的Hamming距离具体包括：对
Figure FDA00040393743300000114
中每一位的数字求和得到Hamming距离
Figure FDA0004039374330000021
|a0...an-1>是
Figure FDA0004039374330000022
累加到
Figure FDA0004039374330000023
的求和结果，用二进制数a来表示求和结果，然后与di+1进行求和即可得i+1次求和后的结果：a+di+1；
由于使用到了X(Xk)NOT门，所以Hamming距离
Figure FDA0004039374330000024
是被反置的，Hamming距离≤t等价于：
Figure FDA0004039374330000025
假设2k-1≤n≤2k，设l＝2k-n，则Hamming距离≤t最终被表达为：
Figure FDA0004039374330000026
将a＝l+t，Hamming距离≤t被确定为
Figure FDA0004039374330000027
是否溢出寄存器；当累加Hamming距离完成之后，将计算结果的量子位向量从最高位开始的
Figure FDA0004039374330000028
个量子比特作为典型量子比特，并将典型量子比特进行连续的OR门操作，最高位的输出信号是CONDp信号；
CONDp信号表示的是Hamming距离是否小于t，如果小于t，则认为被测样本和训练集属于同一类。
2.如权利要求1所述的K-Nearst-Neighbor量子线路实现方法，其特征在于，所述步骤S1具体包括：将待检测样本集和训练集的特征向量存储为二进制位向量，并在此基础之上对二进制位向量进行编码，将其转换成量子向量。
3.如权利要求2所述的K-Nearst-Neighbor量子线路实现方法，其特征在于，所述对二进制位向量进行编码，将其转换成量子向量具体包括：
将二进制位向量中的0用基本量子态|0>表示，同时二进制位向量中的1用基本量子态|1>表示；然后将所有量子态组合成为一个N维的量子位向量，其中待测样本集为|X>，训练集为|Vp>,p＝1,...,N；并生成对应的分类标签Cp∈{1,...,L}；最后构造训练集：
Figure FDA0004039374330000029
其中，P是定义域，|Vp>是指一个n维量子位向量，其中分量分别为：
Figure FDA00040393743300000210
Cp是指最终生成的量子位对应的分类标签。
4.如权利要求2所述的K-Nearst-Neighbor量子线路实现方法，其特征在于，所述步骤S2中的量子态
Figure FDA0004039374330000031
为：
Figure FDA0004039374330000032
5.如权利要求1所述的K-Nearst-Neighbor量子线路实现方法，其特征在于，U在物理学中希尔伯特空间的一次幺正变换，在数学中一个厄米共轭矩阵。
CN202110683925.0A 2021-06-21 2021-06-21 K-Nearst-Neighbor量子线路实现方法 Active CN113408731B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110683925.0A CN113408731B (zh) 2021-06-21 2021-06-21 K-Nearst-Neighbor量子线路实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110683925.0A CN113408731B (zh) 2021-06-21 2021-06-21 K-Nearst-Neighbor量子线路实现方法

Publications (2)

Publication Number Publication Date
CN113408731A CN113408731A (zh) 2021-09-17
CN113408731B true CN113408731B (zh) 2023-04-07

Family

ID=77681941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110683925.0A Active CN113408731B (zh) 2021-06-21 2021-06-21 K-Nearst-Neighbor量子线路实现方法

Country Status (1)

Country Link
CN (1) CN113408731B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116415958B (zh) * 2021-12-30 2024-07-16 本源量子计算科技（合肥）股份有限公司 基于量子技术的异常数据检测方法、装置及存储介质
CN115860130B (zh) * 2022-12-23 2024-06-21 西安邮电大学 一种基于核方法的紧凑型量子分类器

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9218567B2 (en) * 2011-07-06 2015-12-22 D-Wave Systems Inc. Quantum processor based systems and methods that minimize an objective function
US10339466B1 (en) * 2013-09-11 2019-07-02 Google Llc Probabilistic inference in machine learning using a quantum oracle
CN110210529A (zh) * 2019-05-14 2019-09-06 浙江大学 一种基于二进制量子粒子群算法的特征选择方法
US11671241B2 (en) * 2019-07-18 2023-06-06 International Business Machines Corporation Privacy-preserving fast approximate K-means clustering with hamming vectors
CN111709530A (zh) * 2020-04-23 2020-09-25 深圳华中科技大学研究院 一种量子机器学习的可视化展示方法

Also Published As

Publication number Publication date
CN113408731A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
Sohail Genetic algorithms in the fields of artificial intelligence and data sciences
Trugenberger Probabilistic quantum memories
Hido et al. A linear-time graph kernel
Rahman et al. Ensemble classifier generation using non-uniform layered clustering and Genetic Algorithm
CN113408731B (zh) K-Nearst-Neighbor量子线路实现方法
Ma et al. Understanding graphs in EDA: From shallow to deep learning
Cabanes et al. Learning the number of clusters in self organizing map
CN113906450A (zh) 量子电路模拟
Kwabena et al. Exploring the performance of LBP-capsule networks with K-Means routing on complex images
CN113379060B (zh) 一种基于量子熵的量子特征选择的量子线路构造方法
Dong et al. A cell-based fast memetic algorithm for automated convolutional neural architecture design
CN115661550A (zh) 基于生成对抗网络的图数据类别不平衡分类方法及装置
CN113627471A (zh) 一种数据分类方法、系统、设备及信息数据处理终端
Hagouel et al. Quantum computers: Registers, gates and algorithms
CN115795065A (zh) 基于带权哈希码的多媒体数据跨模态检索方法及系统
Lu et al. Qas-bench: rethinking quantum architecture search and a benchmark
Poduval et al. Robust in-memory computing with hyperdimensional stochastic representation
US11727298B2 (en) Determining a distance
Dragunov et al. Supervised classification and finding frequent elements in data
Maji et al. RBFFCA: A hybrid pattern classifier using radial basis function and fuzzy cellular automata
Maji et al. Non-uniform cellular automata based associative memory: Evolutionary design and basins of attraction
Tao et al. Bayesian latent factor model for higher-order data
Fang et al. High-efficient memristive genetic algorithm for feature selection
Bhabhatsatam et al. Hybrid Quantum Encoding: Combining Amplitude and Basis Encoding for Enhanced Data Storage and Processing in Quantum Computing
Kruglyak et al. Design of classifiers based on ANN approximations of traditional methods

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
GR01 Patent grant
GR01 Patent grant