CN114358295A - 基于机器学习框架的二分类方法及相关装置 - Google Patents
基于机器学习框架的二分类方法及相关装置 Download PDFInfo
- Publication number
- CN114358295A CN114358295A CN202210282550.1A CN202210282550A CN114358295A CN 114358295 A CN114358295 A CN 114358295A CN 202210282550 A CN202210282550 A CN 202210282550A CN 114358295 A CN114358295 A CN 114358295A
- Authority
- CN
- China
- Prior art keywords
- quantum
- machine learning
- module
- classical
- data
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器学习框架的二分类方法及相关装置,该机器学习框架包括量子模块和经典模块,本发明通过调用量子模块构建量子计算层,调用经典模块构建经典全连接层,调用经典模块将量子计算层与经典全连接层进行连接,得到二分类机器学习模型。该二分类机器学习模型中的量子计算层用于通过从输入数据中提取局部特征,利用量子计算中量子叠加的性质,可以减少比特等资源的占用,提高计算效率;经典全连接层用于通过局部特征对输入数据进行分类,利用经典全连接层“分类器”的作用实现了根据局部特征进行二分类。量子与经典的有机结合,在减少计算资源占用率的同时,扩大了二分类机器学习模型的应用范围。
Description
技术领域
本发明属于量子计算技术领域,特别是涉及一种基于机器学习框架的二分类方法及相关装置。
背景技术
经典的机器学习彻底改变了人工智能的许多子领域,并取得了重大成功。近年来,随着信息时代的到来,机器学习得到了迅速的发展。电子数据量的快速增长导致了机器学习模型的训练数据的大量增加。与此同时,电子计算机计算能力的迅速发展,特别是以图形处理单元(GPU)为代表的一系列新型电子计算设备的出现,使得机器学习模型的大规模训练成为现实。因此,机器学习已经大大超越了之前的传统算法,并在许多领域得到了广泛的应用。机器学习在数字图像分类、手写字符识别、视频分析等领域的表现已经达到或超过了人类。
然而,随着样本数量和特征数量的增大,经典的二分类机器学习模型会非常占用计算资源,一定程度上限制了其应用范围。量子计算的发展为解决该问题带来了曙光,如能将量子计算与经典机器学习相结合,利用量子计算机远超经典计算机的效率,结合大数据时代快速发展的机器学习算法,将进一步提高了大数据的处理能力。因此,如何实现量子二分类机器学习模型是一个需要解决的技术问题。
发明内容
本发明的目的是提供一种基于机器学习框架的二分类方法及相关装置,旨在减少进行二分类机器学习时计算资源的占用率。
本发明的一个实施例提供了一种基于机器学习框架的二分类方法,所述机器学习框架包括量子模块和经典模块,所述方法包括:
调用所述量子模块构建量子计算层,调用所述经典模块构建经典全连接层,以及调用所述经典模块将所述量子计算层与所述经典全连接层进行连接,得到二分类机器学习模型,所述量子计算层用于从输入数据中提取局部特征,所述经典全连接层用于通过所述局部特征对所述输入数据进行二分类;
将待分类数据作为所述输入数据输入所述二分类机器学习模型,得到所述待分类数据的分类结果。
可选的,所述量子计算层包括级联的数据编码量子线路、可变分量子线路和测量量子线路,所述量子模块包括量子逻辑门子模块和量子测量子模块,所述量子逻辑门子模块包括量子态编码逻辑门单元和量子态演化逻辑门单元,所述调用所述量子模块构建量子计算层,包括:
调用所述量子态编码逻辑门单元创建所述数据编码量子线路,所述数据编码量子线路用于将所述输入数据编码至量子比特的量子态;
调用所述量子态演化逻辑门单元创建所述可变分量子线路,所述可变分量子线路用于将所述量子比特的量子态演化至目标量子态;
调用所述量子测量子模块创建所述测量量子线路,所述测量量子线路用于测量得到所述量子比特的目标量子态,所述目标量子态用于表示所述局部特征。
可选的,所述数据编码量子线路包括P个量子比特,所述调用所述量子态演化逻辑门单元创建所述可变分量子线路,包括:
调用所述量子态演化逻辑门单元创建局部特征提取逻辑门;
将所述局部特征提取逻辑门作用所述P个量子比特上,得到可变分量子线路。
可选的,所述将所述局部特征提取逻辑门作用所述P个量子比特上,得到可变分量子线路,包括:
将所述局部特征提取逻辑门作用在所述P个量子比特中的第i至第i+Q个量子比特上;
令所述i=i+k,执行所述将所述局部特征提取逻辑门作用在所述P个量子比特中的第i至第i+Q个量子比特上,所述k为所述局部特征提取逻辑门的移动步长;
在所述i=P-Q时,得到所述可变分量子线路。
可选的,所述局部特征提取逻辑门包括级联的两个RX门、四个RY门和两个CNOT门,两个所述RX门的输出项与其中两个所述RY门的输入项连接,其中两个所述RY门的两个输出项与其中一个所述CNOT门的输入项连接,其中一个所述CNOT门的输出项与另外一个所述CNOT门的输入项连接,另外一个所述CNOT门的输出项与另外两个所述RY门的输入项连接,两个所述CNOT门的控制位与被控位相反。
可选的,所述机器学习框架还包括数据结构模块,所述将待分类数据作为所述输入数据输入所述二分类机器学习模型,包括:
调用所述数据结构模块将所述待分类数据转化为一维向量;
可选的,所述经典模块还包括损失函数单元和优化器单元,所述方法还包括:
调用所述损失函数单元计算所述二分类机器学习模型的损失函数;
调用所述优化器单元基于所述损失函数更新所述二分类机器学习模型的参数,以对所述二分类机器学习模型进行优化。
可选的,所述损失函数为:
其中,所述为损失函数,所述和分别为第n个训练数据属于第m类标签的实际概率和所述二分类机器学习模型的预测概率,所述N为所述训练数据的数量,所述为关于所述量子计算层参数和所述经典全连接层权重参数W和偏置参数b的函数。
本发明的又一实施例提供了一种基于机器学习框架的二分类装置,所述机器学习框架包括量子模块和经典模块,所述装置包括:
模型构建单元,用于调用所述量子模块构建量子计算层,调用所述经典模块构建经典全连接层,以及调用所述经典模块将所述量子计算层与所述经典全连接层进行连接,得到二分类机器学习模型,所述量子计算层用于从输入数据中提取局部特征,所述经典全连接层用于通过所述局部特征对所述输入数据进行二分类;
模型运行单元,用于将待分类数据作为所述输入数据输入所述二分类机器学习模型,得到所述待分类数据的分类结果。
可选的,所述量子计算层包括级联的数据编码量子线路、可变分量子线路和测量量子线路,所述量子模块包括量子逻辑门子模块和量子测量子模块,所述量子逻辑门子模块包括量子态编码逻辑门单元和量子态演化逻辑门单元,在所述调用所述量子模块构建量子计算层方面,所述模型构建单元具体用于:
调用所述量子态编码逻辑门单元创建所述数据编码量子线路,所述数据编码量子线路用于将所述输入数据编码至量子比特的量子态;
调用所述量子态演化逻辑门单元创建所述可变分量子线路,所述可变分量子线路用于将所述量子比特的量子态演化至目标量子态;
调用所述量子测量子模块创建所述测量量子线路,所述测量量子线路用于测量得到所述量子比特的目标量子态,所述目标量子态用于表示所述局部特征。
可选的,所述数据编码量子线路包括P个量子比特,在所述调用所述量子态演化逻辑门单元创建所述可变分量子线路方面,所述模型构建单元具体用于:
调用所述量子态演化逻辑门单元创建局部特征提取逻辑门;
将所述局部特征提取逻辑门作用所述P个量子比特上,得到可变分量子线路。
可选的,在所述将所述局部特征提取逻辑门作用所述P个量子比特上,得到可变分量子线路方面,所述模型构建单元具体用于:
将所述局部特征提取逻辑门作用在所述P个量子比特中的第i至第i+Q个量子比特上;
令所述i=i+k,执行所述将所述局部特征提取逻辑门作用在所述P个量子比特中的第i至第i+Q个量子比特上,所述k为所述局部特征提取逻辑门的移动步长;
在所述i=P-Q时,得到所述可变分量子线路。
可选的,所述局部特征提取逻辑门包括级联的两个RX门、四个RY门和两个CNOT门,两个所述RX门的输出项与其中两个所述RY门的输入项连接,其中两个所述RY门的两个输出项与其中一个所述CNOT门的输入项连接,其中一个所述CNOT门的输出项与另外一个所述CNOT门的输入项连接,另外一个所述CNOT门的输出项与另外两个所述RY门的输入项连接,两个所述CNOT门的控制位与被控位相反。
可选的,所述机器学习框架还包括数据结构模块,在所述将待分类数据作为所述输入数据输入所述二分类机器学习模型方面,所述模型运行单元具体用于:
调用所述数据结构模块将所述待分类数据转化为一维向量;
可选的,所述经典模块还包括损失函数单元和优化器单元,所述装置还包括模型训练单元,用于:
调用所述损失函数单元计算所述二分类机器学习模型的损失函数;
调用所述优化器单元基于所述损失函数更新所述二分类机器学习模型的参数,以对所述二分类机器学习模型进行优化。
可选的,所述损失函数为:
其中,所述为损失函数,所述和分别为第n个训练数据属于第m类标签的实际概率和所述二分类机器学习模型的预测概率,所述N为所述训练数据的数量,所述为关于所述量子计算层参数和所述经典全连接层权重参数W和偏置参数b的函数。
本发明的又一实施例提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项中所述的方法。
本发明的又一实施例提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项中所述的方法。
与现有技术相比,本发明提供的一种基于机器学习框架的二分类方法,该机器学习框架包括量子模块和经典模块,通过调用量子模块构建量子计算层,通过调用经典模块构建经典全连接层,以及通过调用经典模块将量子计算层与经典全连接层进行连接,得到二分类机器学习模型。该二分类机器学习模型中的量子计算层用于通过从输入数据中提取局部特征,利用量子计算中量子叠加的性质,可以减少比特等资源的占用,提高计算效率;经典全连接层用于通过局部特征对输入数据进行分类,利用经典全连接层“分类器”的作用实现了根据局部特征进行二分类。量子与经典的有机结合,在减少计算资源占用率的同时,扩大了二分类机器学习模型的应用范围。
附图说明
图1为本发明实施例提供的一种基于机器学习框架的二分类方法的计算机终端的硬件结构框图;
图2为本发明实施例提供的一种基于机器学习框架的二分类方法的流程示意图;
图3为本发明实施例提供的一种量子计算层构建的流程示意图;
图4为本发明实施例提供的一种IQP编码线路的结构示意图;
图5为本发明实施例提供的一种可变分量子线路构建的流程示意图;
图6为本发明实施例提供的一种可变分量子线路的结构示意图;
图7为本发明实施例提供的一种局部特征提取逻辑门的结构示意图;
图8为本发明实施例提供的另一种局部特征提取逻辑门的结构示意图;
图9为本发明实施例提供的一种量子二分类机器学习模型损失曲线示意图;
图10为本发明实施例提供的一种量子二分类机器学习模型准确率曲线示意图;
图11为本发明实施例提供的一种经典二分类机器学习模型损失曲线示意图;
图12为本发明实施例提供的一种经典二分类机器学习模型准确率曲线示意图;
图13为本发明实施例提供的一种基于机器学习框架的二分类装置的结构示意图。
附图标记说明:
102-处理器,104-存储器,106-传输装置,108-输入输出设备,30-RZZ门。
具体实施方式
下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明实施例首先提供了一种基于机器学习框架的二分类方法,该方法可以应用于电子设备,如计算机终端,具体如普通电脑、量子计算机等。
下面以运行在计算机终端上为例对其进行详细说明。图1为本发明实施例提供的一种基于机器学习框架的二分类方法的计算机终端的硬件结构框图。如图1所示,计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储基于机器学习框架的二分类方法的存储器104,可选地,上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述计算机终端的结构造成限定。例如,计算机终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块,如本发明实施例中的基于机器学习框架的二分类方法对应的程序指令/模块,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
需要说明的是,真正的量子计算机是混合结构的,它包含两大部分:一部分是经典计算机,负责执行经典计算与控制;另一部分是量子设备,负责运行量子程序进而实现量子计算。而量子程序是由量子语言如QRunes语言编写的一串能够在量子计算机上运行的指令序列,实现了对量子逻辑门操作的支持,并最终实现量子计算。具体的说,量子程序就是一系列按照一定时序操作量子逻辑门的指令序列。
在实际应用中,因受限于量子设备硬件的发展,通常需要进行量子计算模拟以验证量子算法、量子应用等等。量子计算模拟即借助普通计算机的资源搭建的虚拟架构(即量子虚拟机)实现特定问题对应的量子程序的模拟运行的过程。通常,需要构建特定问题对应的量子程序。本发明实施例所指量子程序,即是经典语言编写的表征量子比特及其演化的程序,其中与量子计算相关的量子比特、量子逻辑门等等均有相应的经典代码表示。
量子线路作为量子程序的一种体现方式,也称量子逻辑电路,是最常用的通用量子计算模型,表示在抽象概念下对于量子比特进行操作的线路,其组成包括量子比特、线路(时间线)、以及各种量子逻辑门,最后常需要通过量子测量操作将结果读取出来。
不同于传统电路是用金属线所连接以传递电压信号或电流信号,在量子线路中,线路可看成是由时间所连接,亦即量子比特的状态随着时间自然演化,在这过程中按照哈密顿运算符的指示,一直到遇上逻辑门而被操作。
一个量子程序整体上对应有一条总的量子线路,本发明所述量子程序即指该条总的量子线路,其中,该总的量子线路中的量子比特总数与量子程序的量子比特总数相同。可以理解为:一个量子程序可以由量子线路、针对量子线路中量子比特的测量操作、保存测量结果的寄存器及控制流节点(跳转指令)组成,一条量子线路可以包含几十上百个甚至成千上万个量子逻辑门操作。量子程序的执行过程,就是对所有的量子逻辑门按照一定时序执行的过程。需要说明的是,时序即单个量子逻辑门被执行的时间顺序。
需要说明的是,经典计算中,最基本的单元是比特,而最基本的控制模式是逻辑门,可以通过逻辑门的组合来达到控制电路的目的。类似地,处理量子比特的方式就是量子逻辑门。使用量子逻辑门,能够使量子态发生演化,量子逻辑门是构成量子线路的基础,量子逻辑门包括单比特量子逻辑门,如Hadamard门(H门,阿达马门)、泡利-X门(X门)、泡利-Y门(Y门)、泡利-Z门(Z门)、RX门、RY门、RZ门等等;多比特量子逻辑门,如CNOT门、CR门、iSWAP门、Toffoli门等等。量子逻辑门一般使用酉矩阵表示,而酉矩阵不仅是矩阵形式,也是一种操作和变换。一般量子逻辑门在量子态上的作用是通过酉矩阵左乘以量子态右矢对应的矩阵进行计算。
参见图2,图2为本发明实施例提供的一种基于机器学习框架的二分类方法的流程示意图。所述机器学习框架包括量子模块和经典模块,所述方法包括:
步骤201:调用所述量子模块构建量子计算层,调用所述经典模块构建经典全连接层,以及调用所述经典模块将所述量子计算层与所述经典全连接层进行连接,得到二分类机器学习模型,所述量子计算层用于从输入数据中提取局部特征,所述经典全连接层用于通过所述局部特征对所述输入数据进行二分类;
其中,量子计算是一种遵循量子力学规律调控量子信息单元进行计算的新型计算模式,借助量子的名为叠加和纠缠的两个现象,能够同时处理信息的多个状态。量子计算层为包含量子线路的程序模块,可以用于实现对应量子线路的量子计算,通过对量子线路按照一定的标准进行封装,使得量子计算层便于在创建和训练机器学习模型时进行使用。对于机器学习模型通过量子计算实现的部分,均可以理解为对应的量子计算层。
其中,经典计算是一种遵循经典物理学规律调控经典信息单元进行计算的传统计算模式,它通过一个二进制系统工作,即信息使用1或0来存储,不会理解0或1之外的任何东西。经典计算层与量子计算层相对应,其可以是对创建好的经典计算程序按照一定标准进行封装,使得经典计算层便于在创建和训练机器学习模型时进行使用。
其中,所述经典模块包括经典计算层子模块,所述经典计算层子模块包括经典神经网络层单元,所述经典神经网络层单元包括指定模型经典神经网络层子单元,所述指定模型经典神经网络层子单元被配置为通过已封装的经典神经网络层接口创建指定模型的经典神经网络层,经典神经网络层包括所述经典全连接层,还可以包括经典卷积层、经典池化层、经典归一化层、经典随机丢弃层、经典嵌入层等。经典计算层包括上述的经典神经网络层。
进一步地,所述调用所述经典模块将所述量子计算层与所述经典全连接层进行连接,包括:
调用所述经典模块构建前向传播关系,所述前向传播关系用于表示所述量子计算层与所述经典全连接层之间的连接关系。
其中,前向传播就是将上一计算层的输出作为下一计算层的输入,并计算下一计算层的输出,一直运算到没有下一计算层为止,其中计算层可以为上述的经典计算层也可以为上述的量子计算层。
步骤202:将待分类数据作为所述输入数据输入所述二分类机器学习模型,得到所述待分类数据的分类结果。
其中,所述分类结果可以包括第一类标签对应的类别的概率和第二类标签对应的类别的概率,从而进一步根据设置的概率阈值判断待分类数据是第一类还是第二类。
与现有技术相比,本发明提供的一种基于机器学习框架的二分类方法,该机器学习框架包括量子模块和经典模块,通过调用量子模块构建量子计算层,通过调用经典模块构建经典全连接层,以及通过调用经典模块将量子计算层与经典全连接层进行连接,得到二分类机器学习模型。该二分类机器学习模型中的量子计算层用于通过从输入数据中提取局部特征,利用量子计算中量子叠加的性质,可以减少比特等资源的占用,提高计算效率;经典全连接层用于通过局部特征对输入数据进行分类,利用经典全连接层“分类器”的作用实现了根据局部特征进行二分类。量子与经典的有机结合,在减少计算资源占用率的同时,扩大了二分类机器学习模型的应用范围。
可选的,参见图3,图3为本发明实施例提供的一种量子计算层构建的流程示意图。所述量子计算层包括级联的数据编码量子线路、可变分量子线路和测量量子线路,所述量子模块包括量子逻辑门子模块和量子测量子模块,所述量子逻辑门子模块包括量子态编码逻辑门单元和量子态演化逻辑门单元,所述调用所述量子模块构建量子计算层,包括:
步骤2011:调用所述量子态编码逻辑门单元创建所述数据编码量子线路,所述数据编码量子线路用于将所述输入数据编码至量子比特的量子态;
步骤2012:调用所述量子态演化逻辑门单元创建所述可变分量子线路,所述可变分量子线路用于将所述量子比特的量子态演化至目标量子态;
步骤2013:调用所述量子测量子模块创建所述测量量子线路,所述测量量子线路用于测量得到所述量子比特的目标量子态,所述目标量子态用于表示所述局部特征。
其中,所述数据编码量子线路可以为以下其中一种:基态编码量子线路、幅度编码量子线路、角度编码量子线路、瞬时量子多项式IQP(Instantaneous Quantum Polynomial)编码线路。
具体来讲,基态相对于任意量子态,相当于基向量相对于任意向量。例如,对于量子态,其中和为基态,对于量子态,其中为基态。基态编码量子线路用于将输入数据编码至量子比特的量子态中的基态。例如对于输入数据5,其二进制码为101,进而可以将其编码至量子比特的量子态中的基态。
具体来讲,角度编码量子线路中包括含参量子逻辑门,例如可以为RX旋转门、RY旋转门和RZ旋转门中的任意一者。对输入数据进行反三角函数变换,将变换得到的角度作为旋转门的旋转角度参数,从而实现对输入数据的编码。
具体来讲,IQP编码指的是通过创建IQP编码线路的逻辑门作用于指定量子比特得到IQP编码线路,并将输入数据作为该IQP编码线路的参数,运行该IQP编码线路可以将输入数据x编码至量子态,其中,x为张量数据,H为上述H门,n为指定量子比特的数量,表示n个指定量子比特的初始量子态均为,r表示的重复次数,如下:
参见图4,图4为本发明实施例提供的一种IQP编码线路的结构示意图。该IQP编码线路包含4个指定量子比特,首先对每个指定量子比特依次作用H门和RZ门,然后对每两个相邻的指定量子比特作用RZZ门30,每个RZZ门包括依次作用于指定量子比特的一CNOT门,RZ门以及另一CNOT门。需要说明的是,图4中其它CNOT门及两个CNOT门之间的RZ门也构成RZZ门,为简化图示,未对其进行标注。输入数据可以作为图4中紧邻H门的RZ门的参数,其它RZ门的参数则可以是具体情况设定。
其中,测量量子线路即测量操作,根据测量得到的目标量子态确定不同基态出现的概率,或者不同基态出现的次数,又或者目标观测量的期望值。上述概率、次数、期望可以用于表示局部特征。
可选的,所述数据编码量子线路包括P个量子比特,所述调用所述量子态演化逻辑门单元创建所述可变分量子线路,包括:
调用所述量子态演化逻辑门单元创建局部特征提取逻辑门;
将所述局部特征提取逻辑门作用所述P个量子比特上,得到可变分量子线路。
其中,每个局部特征提取逻辑门只作用所述P个量子比特中的Q个量子比特,可变分量子线路包括多个局部特征提取逻辑门。每个局部特征提取逻辑门作用于相应的Q个量子比特,提取得到一个局部特征;多个局部特征提取逻辑门作用于该P个量子比特,构成可变分量子线路,该可变分量子线路提取得到多个局部特征。由于该局部特征提取逻辑门只作用Q个量子比特,因此其需要的参数少于构建作用全部P个量子比特的量子逻辑门所需要的参数,局部特征提取逻辑门重复可利用,大大加快了二分类机器学习模型的训练速度。
可选的,参见图5,图5为本发明实施例提供的一种可变分量子线路构建的流程示意图,所述将所述局部特征提取逻辑门作用所述P个量子比特上,得到可变分量子线路,包括:
步骤2012a:将所述局部特征提取逻辑门作用在所述P个量子比特中的第i至第i+Q个量子比特上;
步骤2012b:令所述i=i+k,所述k为所述局部特征提取逻辑门的移动步长。
步骤2012c:判断所述i是否等于P-Q;
若否,则执行步骤2012a;
若是,则执行步骤2012d。
步骤2012d:得到所述可变分量子线路。
其中,所述i为大于或等于0的整数。i的初始值可以为0,也可以为1,在此不做限定。所述P、所述Q为大于1的正整数,所述P大于所述Q。
举例说明,参见图6,图6为本发明实施例提供的一种可变分量子线路的结构示意图。如图所示,可变分量子线路包括4个量子比特。局部特征提取逻辑门在上述4个量子比特上滑动,滑动步长为1个量子比特,得到三个局部特征提取逻辑门的可变分量子线路。滑动操作具体为:局部特征提取逻辑门先作用量子比特上;然后下滑1个量子比特,作用在量子比特上;然后再下滑1个量子比特,作用在量子比特上,得到可变分量子线路。
可选的,参见图7,图7为本发明实施例提供的一种局部特征提取逻辑门的结构示意图。如图所示,所述局部特征提取逻辑门包括级联的两个RX门、四个RY门和两个CNOT门,两个所述RX门的输出项与其中两个所述RY门的输入项连接,其中两个所述RY门的两个输出项与其中一个所述CNOT门的输入项连接,其中一个所述CNOT门的输出项与另外一个所述CNOT门的输入项连接,另外一个所述CNOT门的输出项与另外两个所述RY门的输入项连接,两个所述CNOT门的控制位与被控位相反。
可选的,参见图8,图8为本发明实施例提供的另一种局部特征提取逻辑门的结构示意图。如图所示,所述局部特征提取逻辑门包括级联的四个RX门、四个RY门和两个CZ门,其中两个所述RX门的输出项与其中两个所述RY门的输入项连接,其中两个所述RY门的两个输出项与其中两个所述RX门的输入项连接,其中两个所述RX门的输出项与两个所述CZ门的输入项连接,两个所述CZ门的输出项与另外两个所述RY门的输入项连接。
可选的,所述机器学习框架还包括数据结构模块,所述将待分类数据作为所述输入数据输入所述二分类机器学习模型,包括:
调用所述数据结构模块将所述待分类数据转化为一维向量;
举例说明,若P为10,待分类数据,为32×32的原始图像,则将该原始图像的矩阵展开为一维,得到1×1024的向量以及将该1×1024的向量作为数据编码量子线路的输入;若待分类数据为28×28的原始图像,将该原始图像展平为1维,得到1×784的向量,然后补入240个0元素,得到1×1024的向量以及将该1×1024的向量作为数据编码量子线路的输入。
可选的,所述经典模块还包括损失函数单元和优化器单元,所述方法还包括:
调用所述损失函数单元计算所述二分类机器学习模型的损失函数;
调用所述优化器单元基于所述损失函数更新所述二分类机器学习模型的参数,以对所述二分类机器学习模型进行优化。
具体的,所述损失函数为:
其中,所述为损失函数,所述和分别为第n个训练数据属于第m类标签的实际概率和所述二分类机器学习模型的预测概率,所述N为所述训练数据的数量,所述为关于所述量子计算层参数和所述经典全连接层权重参数W和偏置参数b的函数。
可以看出,将预测标签和实际标签之间的累计差距作为损失函数进行优化,可以提高预测的准确率。
在本发明实施例提供的一种具体应用场景中,数据编码量子线路使用的量子比特数量P为10个,可变分量子线路中的局部特征提取逻辑门为如图8所示的局部特征提取逻辑门,滑动操作的步长为1个量子比特。在每个局部特征提取逻辑门后加入泡利算子观测量作为经典数据的局部特征。该可变分量子线路可得到9个局部特征,将该9个局部特征输入经典全连接层进行2分类。
其中,图8所示的局部特征提取逻辑门中包括8个旋转量子逻辑门,因此包含8个角度参数,经典全连接层中包括9对权重参数W和偏置参数b,因此一共是26个参数。与1570个参数的经典全连接层构成的经典机器学习模型比较,结果参见图9至图12。图9为本发明实施例提供的一种量子二分类机器学习模型损失曲线示意图,图10为本发明实施例提供的一种量子二分类机器学习模型准确率曲线示意图,图11为本发明实施例提供的一种经典二分类机器学习模型损失曲线示意图,图12为本发明实施例提供的一种经典二分类机器学习模型准确率曲线示意图。其中连续曲线表示的为训练数据train,断点曲线表示的为测试数据eval。
从图9-图12可以看出,量子二分类机器学习模型(即量子模型)的参数量为26,损失函数值为0.02,测试数据集准确率为0.99;经典二分类机器学习模型(即经典模型)的参数量为1570,损失函数值为0.003,测试数据集准确率为1。量子二分类机器学习模型在参数量远远小于经典二分类机器学习模型时,其准确率确与经典二分类机器学习模型的准确率接近,证明了可以减少计算资源占用率,从而也可以实现扩大二分类机器学习模型的应用范围。
参见图13,图13为本发明实施例提供的一种基于机器学习框架的二分类装置的结构示意图,所述机器学习框架包括量子模块和经典模块,所述装置包括:
模型构建单元1301,用于调用所述量子模块构建量子计算层,调用所述经典模块构建经典全连接层,以及调用所述经典模块将所述量子计算层与所述经典全连接层进行连接,得到二分类机器学习模型,所述量子计算层用于从输入数据中提取局部特征,所述经典全连接层用于通过所述局部特征对所述输入数据进行二分类;
模型运行单元1302,用于将待分类数据作为所述输入数据输入所述二分类机器学习模型,得到所述待分类数据的分类结果。
可选的,所述量子计算层包括级联的数据编码量子线路、可变分量子线路和测量量子线路,所述量子模块包括量子逻辑门子模块和量子测量子模块,所述量子逻辑门子模块包括量子态编码逻辑门单元和量子态演化逻辑门单元,在所述调用所述量子模块构建量子计算层方面,所述模型构建单元1301具体用于;
调用所述量子态编码逻辑门单元创建所述数据编码量子线路,所述数据编码量子线路用于将所述输入数据编码至量子比特的量子态;
调用所述量子态演化逻辑门单元创建所述可变分量子线路,所述可变分量子线路用于将所述量子比特的量子态演化至目标量子态;
调用所述量子测量子模块创建所述测量量子线路,所述测量量子线路用于测量得到所述量子比特的目标量子态,所述目标量子态用于表示所述局部特征。
可选的,所述数据编码量子线路包括P个量子比特,在所述调用所述量子态演化逻辑门单元创建所述可变分量子线路方面,所述模型构建单元1301具体用于:
调用所述量子态演化逻辑门单元创建局部特征提取逻辑门;
将所述局部特征提取逻辑门作用所述P个量子比特上,得到可变分量子线路。
可选的,在所述将所述局部特征提取逻辑门作用所述P个量子比特上,得到可变分量子线路方面,所述模型构建单元1301,具体用于:
将所述局部特征提取逻辑门作用在所述P个量子比特中的第i至第i+Q个量子比特上;
令所述i=i+k,执行所述将所述局部特征提取逻辑门作用在所述P个量子比特中的第i至第i+Q个量子比特上,所述k为所述局部特征提取逻辑门的移动步长;
在所述i=P-Q时,得到所述可变分量子线路。
可选的,所述局部特征提取逻辑门包括级联的两个RX门、四个RY门和两个CNOT门,两个所述RX门的输出项与其中两个所述RY门的输入项连接,其中两个所述RY门的两个输出项与其中一个所述CNOT门的输入项连接,其中一个所述CNOT门的输出项与另外一个所述CNOT门的输入项连接,另外一个所述CNOT门的输出项与另外两个所述RY门的输入项连接,两个所述CNOT门的控制位与被控位相反。
可选的,所述机器学习框架还包括数据结构模块,在所述将待分类数据作为所述输入数据输入所述二分类机器学习模型方面,所述模型运行单元1302具体用于:
调用所述数据结构模块将所述待分类数据转化为一维向量;
可选的,所述经典模块还包括损失函数单元和优化器单元,所述装置还包括模型训练单元1303,用于:
调用所述损失函数单元计算所述二分类机器学习模型的损失函数;
调用所述优化器单元基于所述损失函数更新所述二分类机器学习模型的参数,以对所述二分类机器学习模型进行优化。
可选的,所述损失函数为:
其中,所述为损失函数,所述和分别为第n个训练数据属于第m类标签的实际概率和所述二分类机器学习模型的预测概率,所述N为所述训练数据的数量,所述为关于所述量子计算层参数和所述经典全连接层权重参数W和偏置参数b的函数。
与现有技术相比,本发明提供的一种基于机器学习框架的二分类方法,该机器学习框架包括量子模块和经典模块,通过调用量子模块构建量子计算层,通过调用经典模块构建经典全连接层,以及通过调用经典模块将量子计算层与经典全连接层进行连接,得到二分类机器学习模型。该二分类机器学习模型中的量子计算层用于通过从输入数据中提取局部特征,利用量子计算中量子叠加的性质,可以减少比特等资源的占用,提高计算效率;经典全连接层用于通过局部特征对输入数据进行分类,利用经典全连接层“分类器”的作用实现了根据局部特征进行二分类。量子与经典的有机结合,在减少计算资源占用率的同时,扩大了二分类机器学习模型的应用范围。
本发明实施例还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
具体的,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
调用所述量子模块构建量子计算层,调用所述经典模块构建经典全连接层,以及调用所述经典模块将所述量子计算层与所述经典全连接层进行连接,得到二分类机器学习模型,所述量子计算层用于从输入数据中提取局部特征,所述经典全连接层用于通过所述局部特征对所述输入数据进行二分类;
将待分类数据作为所述输入数据输入所述二分类机器学习模型,得到所述待分类数据的分类结果。
具体的,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的再一实施例还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项中方法实施例中的步骤。
具体的,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
具体的,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
调用所述量子模块构建量子计算层,调用所述经典模块构建经典全连接层,以及调用所述经典模块将所述量子计算层与所述经典全连接层进行连接,得到二分类机器学习模型,所述量子计算层用于从输入数据中提取局部特征,所述经典全连接层用于通过所述局部特征对所述输入数据进行二分类;
将待分类数据作为所述输入数据输入所述二分类机器学习模型,得到所述待分类数据的分类结果。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,以上所述仅为本发明的较佳实施例,但本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (11)
1.一种基于机器学习框架的二分类方法,其特征在于,所述机器学习框架包括量子模块和经典模块,所述方法包括:
调用所述量子模块构建量子计算层,调用所述经典模块构建经典全连接层,以及调用所述经典模块将所述量子计算层与所述经典全连接层进行连接,得到二分类机器学习模型,所述量子计算层用于从输入数据中提取局部特征,所述经典全连接层用于通过所述局部特征对所述输入数据进行二分类;
将待分类数据作为所述输入数据输入所述二分类机器学习模型,得到所述待分类数据的分类结果。
2.如权利要求1所述的方法,其特征在于,所述量子计算层包括级联的数据编码量子线路、可变分量子线路和测量量子线路,所述量子模块包括量子逻辑门子模块和量子测量子模块,所述量子逻辑门子模块包括量子态编码逻辑门单元和量子态演化逻辑门单元,所述调用所述量子模块构建量子计算层,包括:
调用所述量子态编码逻辑门单元创建所述数据编码量子线路,所述数据编码量子线路用于将所述输入数据编码至量子比特的量子态;
调用所述量子态演化逻辑门单元创建所述可变分量子线路,所述可变分量子线路用于将所述量子比特的量子态演化至目标量子态;
调用所述量子测量子模块创建所述测量量子线路,所述测量量子线路用于测量得到所述量子比特的目标量子态,所述目标量子态用于表示所述局部特征。
3.如权利要求2所述的方法,其特征在于,所述数据编码量子线路包括P个量子比特,所述调用所述量子态演化逻辑门单元创建所述可变分量子线路,包括:
调用所述量子态演化逻辑门单元创建局部特征提取逻辑门;
将所述局部特征提取逻辑门作用所述P个量子比特上,得到可变分量子线路。
4.如权利要求3所述的方法,其特征在于,所述将所述局部特征提取逻辑门作用所述P个量子比特上,得到可变分量子线路,包括:
将所述局部特征提取逻辑门作用在所述P个量子比特中的第i至第i+Q个量子比特上;
令所述i=i+k,执行所述将所述局部特征提取逻辑门作用在所述P个量子比特中的第i至第i+Q个量子比特上,所述k为所述局部特征提取逻辑门的移动步长;
在所述i=P-Q时,得到所述可变分量子线路。
5.如权利要求3或4所述的方法,其特征在于,所述局部特征提取逻辑门包括级联的两个RX门、四个RY门和两个CNOT门,两个所述RX门的输出项与其中两个所述RY门的输入项连接,其中两个所述RY门的两个输出项与其中一个所述CNOT门的输入项连接,其中一个所述CNOT门的输出项与另外一个所述CNOT门的输入项连接,另外一个所述CNOT门的输出项与另外两个所述RY门的输入项连接,两个所述CNOT门的控制位与被控位相反。
7.如权利要求1所述的方法,其特征在于,所述经典模块还包括损失函数单元和优化器单元,所述方法还包括:
调用所述损失函数单元计算所述二分类机器学习模型的损失函数;
调用所述优化器单元基于所述损失函数更新所述二分类机器学习模型的参数,以对所述二分类机器学习模型进行优化。
9.一种基于机器学习框架的二分类装置,其特征在于,所述机器学习框架包括量子模块和经典模块,所述装置包括:
模型构建单元,用于调用所述量子模块构建量子计算层,调用所述经典模块构建经典全连接层,以及调用所述经典模块将所述量子计算层与所述经典全连接层进行连接,得到二分类机器学习模型,所述量子计算层用于从输入数据中提取局部特征,所述经典全连接层用于通过所述局部特征对所述输入数据进行二分类;
模型运行单元,用于将待分类数据作为所述输入数据输入所述二分类机器学习模型,得到所述待分类数据的分类结果。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至8任一项中所述的方法。
11.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至8任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210282550.1A CN114358295B (zh) | 2022-03-22 | 2022-03-22 | 基于机器学习框架的二分类方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210282550.1A CN114358295B (zh) | 2022-03-22 | 2022-03-22 | 基于机器学习框架的二分类方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114358295A true CN114358295A (zh) | 2022-04-15 |
CN114358295B CN114358295B (zh) | 2022-06-21 |
Family
ID=81094498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210282550.1A Active CN114358295B (zh) | 2022-03-22 | 2022-03-22 | 基于机器学习框架的二分类方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358295B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170906A (zh) * | 2022-06-30 | 2022-10-11 | 合肥本源量子计算科技有限责任公司 | 量子图像生成模型训练方法、图像生成方法及相关装置 |
CN116015787A (zh) * | 2022-12-14 | 2023-04-25 | 西安邮电大学 | 基于混合持续变分量子神经网络的网络入侵检测方法 |
CN118014094A (zh) * | 2024-04-09 | 2024-05-10 | 国开启科量子技术(安徽)有限公司 | 确定函数分类的量子计算方法、量子线路、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110692067A (zh) * | 2017-06-02 | 2020-01-14 | 谷歌有限责任公司 | 量子神经网络 |
CN111368920A (zh) * | 2020-03-05 | 2020-07-03 | 中南大学 | 基于量子孪生神经网络的二分类方法及其人脸识别方法 |
CN112016691A (zh) * | 2020-08-14 | 2020-12-01 | 合肥本源量子计算科技有限责任公司 | 一种量子线路的构建方法及装置 |
CN112073126A (zh) * | 2020-08-14 | 2020-12-11 | 合肥本源量子计算科技有限责任公司 | 一种网络节点重要性的排序方法及装置 |
CN112434637A (zh) * | 2020-12-04 | 2021-03-02 | 上海交通大学 | 基于量子计算线路和LiDAR点云分类的物体识别方法 |
CN113159239A (zh) * | 2021-06-28 | 2021-07-23 | 北京航空航天大学 | 一种量子图卷积神经网络处理图数据的方法 |
CN113222155A (zh) * | 2020-01-21 | 2021-08-06 | 合肥本源量子计算科技有限责任公司 | 一种量子线路的构建方法、装置、电子装置和存储介质 |
-
2022
- 2022-03-22 CN CN202210282550.1A patent/CN114358295B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110692067A (zh) * | 2017-06-02 | 2020-01-14 | 谷歌有限责任公司 | 量子神经网络 |
CN113222155A (zh) * | 2020-01-21 | 2021-08-06 | 合肥本源量子计算科技有限责任公司 | 一种量子线路的构建方法、装置、电子装置和存储介质 |
CN111368920A (zh) * | 2020-03-05 | 2020-07-03 | 中南大学 | 基于量子孪生神经网络的二分类方法及其人脸识别方法 |
CN112016691A (zh) * | 2020-08-14 | 2020-12-01 | 合肥本源量子计算科技有限责任公司 | 一种量子线路的构建方法及装置 |
CN112073126A (zh) * | 2020-08-14 | 2020-12-11 | 合肥本源量子计算科技有限责任公司 | 一种网络节点重要性的排序方法及装置 |
CN112434637A (zh) * | 2020-12-04 | 2021-03-02 | 上海交通大学 | 基于量子计算线路和LiDAR点云分类的物体识别方法 |
CN113159239A (zh) * | 2021-06-28 | 2021-07-23 | 北京航空航天大学 | 一种量子图卷积神经网络处理图数据的方法 |
Non-Patent Citations (4)
Title |
---|
吕楚凡: "多体自旋系统基态的数字量子模拟", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
张晓旭等: "基于混合量子−经典神经网络模型的股价预测", 《电子科技大学学报》 * |
赵超等: "基于量子计算的分类和聚类算法综述", 《微电子学与计算机》 * |
陈然一鎏等: "混合量子-经典算法:基础、设计与应用", 《物理学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170906A (zh) * | 2022-06-30 | 2022-10-11 | 合肥本源量子计算科技有限责任公司 | 量子图像生成模型训练方法、图像生成方法及相关装置 |
CN116015787A (zh) * | 2022-12-14 | 2023-04-25 | 西安邮电大学 | 基于混合持续变分量子神经网络的网络入侵检测方法 |
CN118014094A (zh) * | 2024-04-09 | 2024-05-10 | 国开启科量子技术(安徽)有限公司 | 确定函数分类的量子计算方法、量子线路、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114358295B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114358295B (zh) | 基于机器学习框架的二分类方法及相关装置 | |
CN114358319B (zh) | 基于机器学习框架的分类方法及相关装置 | |
US20240095563A1 (en) | Quantum convolution operator | |
CN114358318B (zh) | 基于机器学习框架的分类方法及相关装置 | |
CN114792378B (zh) | 一种量子图像识别方法及装置 | |
CN112232513A (zh) | 一种量子态的制备方法及装置 | |
CN114358216B (zh) | 基于机器学习框架的量子聚类方法及相关装置 | |
CN114358317B (zh) | 基于机器学习框架的数据分类方法及相关设备 | |
CN115293254A (zh) | 基于量子多层感知器的分类方法及相关设备 | |
CN116403019A (zh) | 遥感图像量子识别方法、装置、存储介质及电子装置 | |
CN115311515A (zh) | 混合量子经典的生成对抗网络的训练方法及相关设备 | |
CN114764620B (zh) | 一种量子卷积操作器 | |
CN113222153A (zh) | 一种量子态的模拟方法、装置、存储介质和电子装置 | |
CN114764619A (zh) | 一种基于量子线路的卷积操作方法及装置 | |
CN116431807B (zh) | 一种文本分类方法、装置、存储介质及电子装置 | |
CN114372539B (zh) | 基于机器学习框架的分类方法及相关设备 | |
CN113222151A (zh) | 一种量子态的变换方法及装置 | |
CN116011681A (zh) | 一种气象数据预测方法、装置、存储介质及电子装置 | |
CN115346080A (zh) | 基于量子计算的图像处理方法及相关设备 | |
CN114372584B (zh) | 基于机器学习框架的迁移学习方法及相关装置 | |
CN114372582B (zh) | 基于机器学习框架的量子自动编码方法及相关装置 | |
CN116432710B (zh) | 机器学习模型构建方法、机器学习框架及相关设备 | |
CN116167407B (zh) | 一种基于量子循环神经网络的数据预测方法及相关设备 | |
CN115908943B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN114764618B (zh) | 一种针对线性系统的量子预处理方法及装置 |
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 |