CN114358319B - 基于机器学习框架的分类方法及相关装置 - Google Patents
基于机器学习框架的分类方法及相关装置 Download PDFInfo
- Publication number
- CN114358319B CN114358319B CN202210282572.8A CN202210282572A CN114358319B CN 114358319 B CN114358319 B CN 114358319B CN 202210282572 A CN202210282572 A CN 202210282572A CN 114358319 B CN114358319 B CN 114358319B
- Authority
- CN
- China
- Prior art keywords
- quantum
- machine learning
- gates
- data
- gate
- 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
Links
Images
Landscapes
- Error Detection And Correction (AREA)
Abstract
本发明公开了一种基于机器学习框架的分类方法及相关装置,本发明通过调用机器学习框架包括的量子模块构建量子机器学习分类模型,该量子机器学习分类模型包括级联的基态数据编码量子线路、QVC和测量量子线路,该基态数据编码量子线路用于将输入数据编码至量子比特的基态,基态数据编码量子线路包括的逻辑门数量少于振幅数据编码量子线路、角度数据编码量子线路、IQP数据编码线路等其他数据编码量子线路,从而减少了数据编码量子线路的线路深度,进而减少了量子机器学习分类模型中量子线路的线路深度,减少了量子比特的出错几率,提高量子机器学习分类模型的分类准确性。
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(Graphics Processing Unit,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,经典机器学习分类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,将量子计算与大数据时代快速发展的机器学习算法相结合,利用量子计算机远超经典计算机的效率,将进一步提高了大数据的处理能力。但是,量子计算中的量子比特极其脆弱,容易受到噪声的影响而出错,量子比特出错的几率与量子线路的深度成正比,线路越深,量子比特出错的几率越大。因此,如何减少量子机器学习分类模型中量子线路的线路深度,提高量子机器学习分类模型的分类准确性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分类方法及相关装置,旨在减少量子机器学习分类模型中量子线路的线路深度,提高量子机器学习分类模型的分类准确性。
本申请的一个实施例提供了一种基于机器学习框架的分类方法,所述机器学习框架包括量子模块,所述方法包括:
调用所述量子模块构建量子机器学习分类模型,所述量子机器学习分类模型包括级联的基态数据编码量子线路、变分量子分类器QVC和测量量子线路,所述基态数据编码量子线路用于将输入数据编码至量子比特的基态,所述QVC用于将所述量子比特的基态演化至目标态,所述测量量子线路用于测量所述量子比特得到测量数据;
将待分类数据作为所述输入数据输入至所述量子机器学习分类模型得到所述测量数据,以及基于所述测量数据对所述待分类数据进行分类。
可选的,所述量子模块包括量子态编码逻辑门单元,所述调用所述量子模块构建量子机器学习分类模型,包括:
调用所述量子态编码逻辑门单元获取X门,以及将所述X门作用在所述量子比特上,得到所述基态数据编码量子线路。
可选的,所述量子模块还包括量子态演化逻辑门单元,所述调用所述量子模块构建量子机器学习分类模型,还包括:
调用所述量子态演化逻辑门单元获取RZ门与RY门以及CNOT门构成的组合逻辑门,以及将所述组合逻辑门作用在所述量子比特上,得到所述QVC。
可选的,所述量子比特的数量为m,所述m大于1;所述方法还包括:
调用所述量子态演化逻辑门单元获取2m个RZ门、m个RY门和n个CNOT门,所述n大于或等于1;
将其中m个所述RZ门的输出项分别作为m个所述RY门的输入项,将m个所述RY门的输出项分别作为另外m个所述RZ门的输入项,将另外m个所述RZ门的输出项作为n个所述CNOT门的输入项,得到所述RZ门与RY门以及CNOT门构成的组合逻辑门。
可选的,所述将另外m个所述RZ门的输出项作为n个所述CNOT门的输入项,包括:
若所述m等于2且所述n等于1,则将另外2个所述RZ门的输出项作为1个所述CNOT门的输入项;
若所述m大于2且所述m等于所述n,则将任意相邻的两个所述RZ门的输出项作为所述CNOT门的输入项,以及将第一个和最后一个所述RZ门的输出项作为所述CNOT门的输入项,任意相邻的两个所述RZ门作用的两个所述量子比特相邻。
可选的,所述机器学习框架还包括经典模块,所述经典模块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量子机器学习分类模型的损失函数;
调用所述优化器单元基于所述损失函数更新所述量子机器学习分类模型的参数,以对所述量子机器学习分类模型进行优化。
可选的,所述损失函数为:
本申请的又一实施例提供了一种基于机器学习框架的分类装置,所述机器学习框架包括量子模块,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机器学习分类模型,所述量子机器学习分类模型包括级联的基态数据编码量子线路、变分量子分类器QVC和测量量子线路,所述基态数据编码量子线路用于将输入数据编码至量子比特的基态,所述QVC用于将所述量子比特的基态演化至目标态,所述测量量子线路用于测量所述量子比特得到测量数据;
模型运行单元,用于将待分类数据作为所述输入数据输入至所述量子机器学习分类模型得到所述测量数据,以及基于所述测量数据对所述待分类数据进行分类。
可选的,所述量子模块包括量子态编码逻辑门单元,在所述调用所述量子模块构建量子机器学习分类模型方面,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获取X门,以及将所述X门作用在所述量子比特上,得到所述基态数据编码量子线路。
可选的,所述量子模块还包括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机器学习分类模型方面,所述模型构建单元还用于:
调用所述量子态演化逻辑门单元获取RZ门与RY门以及CNOT门构成的组合逻辑门,以及将所述组合逻辑门作用在所述量子比特上,得到所述QVC。
可选的,所述量子比特的数量为m,所述m大于1;所述模型构建单元还用于:
调用所述量子态演化逻辑门单元获取2m个RZ门、m个RY门和n个CNOT门,所述n大于或等于1;
将其中m个所述RZ门的输出项分别作为m个所述RY门的输入项,将m个所述RY门的输出项分别作为另外m个所述RZ门的输入项,将另外m个所述RZ门的输出项作为n个所述CNOT门的输入项,得到所述RZ门与RY门以及CNOT门构成的组合逻辑门。
可选的,在所述将另外m个所述RZ门的输出项作为n个所述CNOT门的输入项方面,所述模型构建单元具体用于:
若所述m等于2且所述n等于1,则将另外2个所述RZ门的输出项作为1个所述CNOT门的输入项;
若所述m大于2且所述m等于所述n,则将任意相邻的两个所述RZ门的输出项作为所述CNOT门的输入项,以及将第一个和最后一个所述RZ门的输出项作为所述CNOT门的输入项,任意相邻的两个所述RZ门作用的两个所述量子比特相邻。
可选的,所述机器学习框架还包括经典模块,所述经典模块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量子机器学习分类模型的损失函数;
调用所述优化器单元基于所述损失函数更新所述量子机器学习分类模型的参数,以对所述量子机器学习分类模型进行优化。
可选的,所述损失函数为:
本申请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。
本申请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,本发明通过调用机器学习框架包括的量子模块构建量子机器学习分类模型,该量子机器学习分类模型包括级联的基态数据编码量子线路、变分量子分类器(Quantum Variable Classifier,QVC)和测量量子线路,该基态数据编码量子线路用于将输入数据编码至量子比特的基态,基态数据编码量子线路包括的逻辑门数量少于振幅数据编码量子线路、角度数据编码量子线路、瞬时量子多项式(Instantaneous QuantumPolynomial,IQP)数据编码线路等其他数据编码量子线路,从而减少了数据编码量子线路的线路深度,进而减少了量子机器学习分类模型中量子线路的线路深度,减少了量子比特的出错几率,提高量子机器学习分类模型的分类准确性。
与该基态数据编码量子线路对应的QVC用于将量子比特的基态演化至目标态,测量量子线路用于测量量子比特得到测量数据,进而可以基于所述测量数据对待分类数据进行分类,通过量子计算的方法实现了数据的分类。
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分类方法的流程示意图;
图3为本发明实施例提供的一种组合逻辑门的结构示意图;
图4为本发明实施例提供的另一种组合逻辑门的结构示意图;
图5为本发明实施例提供的又一种组合逻辑门的结构示意图;
图6为本发明实施例提供的一种基态数据编码量子线路和QVC的结构示意图;
图7为本发明实施例提供的一种基于机器学习框架的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。
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,如本申请实施例中的基于机器学习框架的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分类方法的流程示意图。所述机器学习框架包括量子模块,所述方法包括:
步骤201:调用所述量子模块构建量子机器学习分类模型,所述量子机器学习分类模型包括级联的基态数据编码量子线路、变分量子分类器QVC和测量量子线路,所述基态数据编码量子线路用于将输入数据编码至量子比特的基态,所述QVC用于将所述量子比特的基态演化至目标态,所述测量量子线路用于测量所述量子比特得到测量数据;
其中,机器学习框架集成了众多用于创建和训练机器学习模型的函数集,通过其定义的接口可以方便的调用函数集中的函数实现对机器学习模型的相关操作。机器学习框架包括的上述量子模块可以被配置为创建机器学习模型中的量子计算层,量子计算层为包含量子程序的程序模块,可以用于实现对应量子程序的量子计算,通过对量子程序按照一定的标准进行封装得到量子计算层,便于在创建和训练机器学习模型时进行使用。量子程序为实现量子计算的程序,可以通过调用量子模块创建按特定顺序作用于量子比特的量子逻辑门得到量子程序,并对量子程序进行封装得到量子计算层。所述量子计算层包括基态数据编码量子线路、QVC和测量量子线路。
其中,数据编码量子线路可以为以下其中一种:基态数据编码量子线路、幅度数据编码量子线路、角度数据编码量子线路、IQP数据编码线路。
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|0>和|1>为基态,对于量子态|ψ>=c|00>+d|01>+e|10>+f|11>,其中|00>、|01>、|10>、|11>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|101>。
具体来讲,对于量子态其中a和b为振幅;对于量子态|ψ>=c|00>+d|01>+e|10>+f|11>,其中c、d、e、f为振幅。例如,对于输入数据[1,3],对其归一化后1对应于0.25,3对应于0.75,进而可以令量子态中的振幅的来对其进行编码。
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,|0n>表示n个指定量子比特的初始量子态均为|0>,r表示的重复次数,UZ(x)如下:
可以看出,基态编码量子线路相较于其他数据编码量子线路线路构造更为简单,需要的量子逻辑门一般更少,因此有利于减少线路的深度。
其中,QVC使用变份量子线路对数据(Variational Quantum Circuit,VQC)进行分类,运作方式与常规支持向量机(Support Vector Machines,SVM)类似。另一种与其相对的方法是量子核估计(Quantum Kernel Estimator,QKE),使用量子计算机估计函数,并优化经典SVM。这两种量子算法可以基于超导处理器运行,核心要素是将量子态空间作为特征空间来使用。使用经过量子增强的特征空间(仅能够在量子计算机上高效获取)提供了一种可能的路径,导向量子优势。
其中,级联的基态数据编码量子线路、变分量子分类器QVC和测量量子线路即将基态数据编码量子线路的输入作为量子机器学习分类模型的输入,将基态数据编码量子线路的输出作为QVC的输入,将QVC的输出作为测量量子线路的输入,将测量量子线路的输出作为量子机器学习分类模型的输出。
其中,所述量子模块包括量子逻辑门子模块和量子测量子模块,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。
步骤202:将待分类数据作为所述输入数据输入至所述量子机器学习分类模型得到所述测量数据,以及基于所述测量数据对所述待分类数据进行分类。
其中,测量数据可以包括每一类标签对应的类别的概率。基于所述测量数据对所述待分类数据进行分类,则可以为判断每一类标签对应的类别的概率是否大于或等于设置的概率阈值来确定属于哪一类别,或者将从每一类标签对应的类别的概率中确定最大的概率,将最大的概率对应的类别确定为待分类数据的类别。
与现有技术相比,本发明通过调用机器学习框架包括的量子模块构建量子机器学习分类模型,该量子机器学习分类模型包括级联的基态数据编码量子线路、QVC和测量量子线路,该基态数据编码量子线路用于将输入数据编码至量子比特的基态,基态数据编码量子线路包括的逻辑门数量少于振幅数据编码量子线路、角度数据编码量子线路、IQP数据编码线路等其他数据编码量子线路,从而减少了数据编码量子线路的线路深度,进而减少了量子机器学习分类模型中量子线路的线路深度,减少了量子比特的出错几率,提高量子机器学习分类模型的分类准确性。
与该基态数据编码量子线路对应的QVC用于将量子比特的基态演化至目标态,测量量子线路用于测量量子比特得到测量数据,进而可以基于所述测量数据对待分类数据进行分类,通过量子计算的方法实现了数据的分类。
可选的,所述量子模块包括量子态编码逻辑门单元,所述调用所述量子模块构建量子机器学习分类模型,包括:
调用所述量子态编码逻辑门单元获取X门,以及将所述X门作用在所述量子比特上,得到所述基态数据编码量子线路。
举例说明,例如对于输入数据5,其二进制码为101,进而可以通过X门将其编码至量子比特的量子态中的基态|101>。具体为,将X门作用于第一个量子比特和第三个量子比特的初态|0>,则可以将第一个量子比特和第三个量子比特的初态|0>演化至|1>。
在输入数据对应的二进制中,将X门作用在二进制中比特位为1的量子比特上,对比特位为0的量子比特不做任何变换或者做单位变换,即可实现对输入数据从经典到量子的编码,该种方式相较于其他编码方式简单,能够减少线路的深度,进而减少量子比特出错的概率,从而提高分类的准确性。
可选的,所述量子模块还包括量子态演化逻辑门单元,所述调用所述量子模块构建量子机器学习分类模型,还包括:
调用所述量子态演化逻辑门单元获取RZ门与RY门以及CNOT门构成的组合逻辑门,以及将所述组合逻辑门作用在所述量子比特上,得到所述QVC。
需要说明的是,RZ门、RY门以及CNOT门的数量和作用顺序在此不作限定。RZ门和RY门用于对量子态进行演化学习,CNOT门用于使各量子比特的量子态产生纠缠,从而实现了QVC的分类作用。
可选的,所述量子比特的数量为m,所述m大于1;所述方法还包括:
调用所述量子态演化逻辑门单元获取2m个RZ门、m个RY门和n个CNOT门,所述n大于或等于1;
将其中m个所述RZ门的输出项分别作为m个所述RY门的输入项,将m个所述RY门的输出项分别作为另外m个所述RZ门的输入项,将另外m个所述RZ门的输出项作为n个所述CNOT门的输入项,得到所述RZ门与RY门以及CNOT门构成的组合逻辑门。
需要说明的是,所述n可以小于所述m,也可以大于或等于所述m。对于m个量子比特至少需要m-1个CNOT门使其量子态产生纠缠。
举例说明,如图3所示,图3为本发明实施例提供的一种组合逻辑门的结构示意图。图3中,量子比特的数量m等于CNOT门的数量n,都为4。除了图3中所示的组合逻辑门结构,还可以为组合逻辑门还可以有其他结构,如图4和图5给出了另外两种结构示意图。其他可能的组合在此不一一举例说明。
可选的,所述将另外m个所述RZ门的输出项作为n个所述CNOT门的输入项,包括:
若所述m等于2且所述n等于1,则将另外2个所述RZ门的输出项作为1个所述CNOT门的输入项;
若所述m大于2且所述m等于所述n,则将任意相邻的两个所述RZ门的输出项作为所述CNOT门的输入项,以及将第一个和最后一个所述RZ门的输出项作为所述CNOT门的输入项,任意相邻的两个所述RZ门作用的两个所述量子比特相邻。
其中,相邻的逻辑门指的是其作用的量子比特相邻。第一个、最后一个等顺序表示也指的是逻辑门作用的量子比特的顺序。如本发明实施例中任意相邻的两个所述RZ门指的是该两个RZ门作用的量子比特相邻。第一个和最后一个所述RZ门作用的量子比特的序号为第一和最后,该序号是人为指定的。
其中,CNOT门的控制比特可以为其作用的两个比特中序号较小的那个,受控比特可以为其作用的两个比特中序号较大的那个;CNOT门的控制比特也可以为其作用的两个比特中序号较大的那个,受控比特可以为其作用的两个比特中序号较小的那个;在此,不做限定。
其中,对于2个量子比特,只需要一个CNOT门就可以是两者的量子态产生纠缠,对于2个以上的量子比特,则需要多个CNOT门使其相互之间产生纠缠。在本发明实施例中,提供了一种QVC的构造方法,量子比特的数量等于CNOT门的数量,具体为:将每相邻的两个量子比特都用CNOT门作用,然后将第一个量子比特和最后一个量子比特用CNOT门作用,使所有的量子比特的量子态都具有纠缠关系。举例说明,如图6所示,图6为本发明实施例提供的一种基态数据编码量子线路和QVC的结构示意图。该线路中包括四个量子比特,分别为:q0、q1、q2、q3。对于数据输入数据1010,通过两个X门实现其从经典数据到量子数据的编码,然后通过两个如图3所示的组合逻辑门作用在量子比特上得到基态数据编码量子线路和QVC。
可选的,所述机器学习框架还包括经典模块,所述经典模块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量子机器学习分类模型的损失函数;
调用所述优化器单元基于所述损失函数更新所述量子机器学习分类模型的参数,以对所述量子机器学习分类模型进行优化。
具体的,所述损失函数为:
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。
参见图7,图7为本发明实施例提供的一种基于机器学习框架的分类装置的结构示意图。所述机器学习框架包括量子模块,所述装置包括:
模型构建单元701,用于调用所述量子模块构建量子机器学习分类模型,所述量子机器学习分类模型包括级联的基态数据编码量子线路、变分量子分类器QVC和测量量子线路,所述基态数据编码量子线路用于将输入数据编码至量子比特的基态,所述QVC用于将所述量子比特的基态演化至目标态,所述测量量子线路用于测量所述量子比特得到测量数据;
模型运行单元702,用于将待分类数据作为所述输入数据输入至所述量子机器学习分类模型得到所述测量数据,以及基于所述测量数据对所述待分类数据进行分类。
可选的,所述量子模块包括量子态编码逻辑门单元,在所述调用所述量子模块构建量子机器学习分类模型方面,所述模型构建单元701具体用于:
调用所述量子态编码逻辑门单元获取X门,以及将所述X门作用在所述量子比特上,得到所述基态数据编码量子线路。
可选的,所述量子模块还包括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机器学习分类模型方面,所述模型构建单元701还用于:
调用所述量子态演化逻辑门单元获取RZ门与RY门以及CNOT门构成的组合逻辑门,以及将所述组合逻辑门作用在所述量子比特上,得到所述QVC。
可选的,所述量子比特的数量为m,所述m大于1;所述模型构建单元701还用于:
调用所述量子态演化逻辑门单元获取2m个RZ门、m个RY门和n个CNOT门,所述n大于或等于1;
将其中m个所述RZ门的输出项分别作为m个所述RY门的输入项,将m个所述RY门的输出项分别作为另外m个所述RZ门的输入项,将另外m个所述RZ门的输入项作为n个所述CNOT门的输入项,得到所述RZ门与RY门以及CNOT门构成的组合逻辑门。
可选的,在所述将另外m个所述RZ门的输入项作为n个所述CNOT门的输入项方面,所述模型构建单元701具体用于:
若所述m等于2且所述n等于1,则将另外2个所述RZ门的输出项作为1个所述CNOT门的输入项;
若所述m大于2且所述m等于所述n,则将任意相邻的两个所述RZ门的输出项作为所述CNOT门的输入项,以及将第一个和最后一个所述RZ门的输出项作为所述CNOT门的输入项,任意相邻的两个所述RZ门作用的两个所述量子比特相邻。
可选的,所述机器学习框架还包括经典模块,所述经典模块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703,用于:
调用所述损失函数单元计算所述量子机器学习分类模型的损失函数;
调用所述优化器单元基于所述损失函数更新所述量子机器学习分类模型的参数,以对所述量子机器学习分类模型进行优化。
可选的,所述损失函数为:
与现有技术相比,本发明通过调用机器学习框架包括的量子模块构建量子机器学习分类模型,该量子机器学习分类模型包括级联的基态数据编码量子线路、QVC和测量量子线路,该基态数据编码量子线路用于将输入数据编码至量子比特的基态,基态数据编码量子线路包括的逻辑门数量少于振幅数据编码量子线路、角度数据编码量子线路、IQP数据编码线路等其他数据编码量子线路,从而减少了数据编码量子线路的线路深度,进而减少了量子机器学习分类模型中量子线路的线路深度,减少了量子比特的出错几率,提高量子机器学习分类模型的分类准确性。
与该基态数据编码量子线路对应的QVC用于将量子比特的基态演化至目标态,测量量子线路用于测量量子比特得到测量数据,进而可以基于所述测量数据对待分类数据进行分类,通过量子计算的方法实现了数据的分类。
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机器学习分类模型,所述量子机器学习分类模型包括级联的基态数据编码量子线路、变分量子分类器QVC和测量量子线路,所述基态数据编码量子线路用于将输入数据编码至量子比特的基态,所述QVC用于将所述量子比特的基态演化至目标态,所述测量量子线路用于测量所述量子比特得到测量数据;
将待分类数据作为所述输入数据输入至所述量子机器学习分类模型得到所述测量数据,以及基于所述测量数据对所述待分类数据进行分类。
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机器学习分类模型,所述量子机器学习分类模型包括级联的基态数据编码量子线路、变分量子分类器QVC和测量量子线路,所述基态数据编码量子线路用于将输入数据编码至量子比特的基态,所述QVC用于将所述量子比特的基态演化至目标态,所述测量量子线路用于测量所述量子比特得到测量数据;
将待分类数据作为所述输入数据输入至所述量子机器学习分类模型得到所述测量数据,以及基于所述测量数据对所述待分类数据进行分类。
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 (10)
1.一种基于机器学习框架的分类方法,其特征在于,所述机器学习框架包括量子模块,所述方法包括:
调用所述量子模块构建量子机器学习分类模型,所述量子机器学习分类模型包括级联的基态数据编码量子线路、变分量子分类器QVC和测量量子线路,所述基态数据编码量子线路用于将输入数据编码至量子比特的基态,所述QVC用于将所述量子比特的基态演化至目标态,所述测量量子线路用于测量所述量子比特得到测量数据;
将待分类数据作为所述输入数据输入至所述量子机器学习分类模型得到所述测量数据,以及基于所述测量数据对所述待分类数据进行分类。
2.如权利要求1所述的方法,其特征在于,所述量子模块包括量子态编码逻辑门单元,所述调用所述量子模块构建量子机器学习分类模型,包括:
调用所述量子态编码逻辑门单元获取X门,以及将所述X门作用在所述量子比特上,得到所述基态数据编码量子线路。
3.如权利要求2所述的方法,其特征在于,所述量子模块还包括量子态演化逻辑门单元,所述调用所述量子模块构建量子机器学习分类模型,还包括:
调用所述量子态演化逻辑门单元获取RZ门与RY门以及CNOT门构成的组合逻辑门,以及将所述组合逻辑门作用在所述量子比特上,得到所述QVC。
4.如权利要求3所述的方法,其特征在于,所述量子比特的数量为m,所述m大于1;所述方法还包括:
调用所述量子态演化逻辑门单元获取2m个RZ门、m个RY门和n个CNOT门,所述n大于或等于1;
将其中m个所述RZ门的输出项分别作为m个所述RY门的输入项,将m个所述RY门的输出项分别作为另外m个所述RZ门的输入项,将另外m个所述RZ门的输出项作为n个所述CNOT门的输入项,得到所述RZ门与RY门以及CNOT门构成的组合逻辑门。
5.如权利要求4所述的方法,其特征在于,所述将另外m个所述RZ门的输出项作为n个所述CNOT门的输入项,包括:
若所述m等于2且所述n等于1,则将另外2个所述RZ门的输出项作为1个所述CNOT门的输入项;
若所述m大于2且所述m等于所述n,则将任意相邻的两个所述RZ门的输出项作为所述CNOT门的输入项,以及将第一个和最后一个所述RZ门的输出项作为所述CNOT门的输入项,任意相邻的两个所述RZ门作用的两个所述量子比特相邻。
6.如权利要求1所述的方法,其特征在于,所述机器学习框架还包括经典模块,所述经典模块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量子机器学习分类模型的损失函数;
调用所述优化器单元基于所述损失函数更新所述量子机器学习分类模型的参数,以对所述量子机器学习分类模型进行优化。
8.一种基于机器学习框架的分类装置,其特征在于,所述机器学习框架包括量子模块,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机器学习分类模型,所述量子机器学习分类模型包括级联的基态数据编码量子线路、变分量子分类器QVC和测量量子线路,所述基态数据编码量子线路用于将输入数据编码至量子比特的基态,所述QVC用于将所述量子比特的基态演化至目标态,所述测量量子线路用于测量所述量子比特得到测量数据;
模型运行单元,用于将待分类数据作为所述输入数据输入至所述量子机器学习分类模型得到所述测量数据,以及基于所述测量数据对所述待分类数据进行分类。
9.一种存储介质,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7任一项中所述的方法。
10.一种电子装置,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7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210282572.8A CN114358319B (zh) | 2022-03-22 | 2022-03-22 | 基于机器学习框架的分类方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210282572.8A CN114358319B (zh) | 2022-03-22 | 2022-03-22 | 基于机器学习框架的分类方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114358319A CN114358319A (zh) | 2022-04-15 |
CN114358319B true CN114358319B (zh) | 2022-06-21 |
Family
ID=81094394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210282572.8A Active CN114358319B (zh) | 2022-03-22 | 2022-03-22 | 基于机器学习框架的分类方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358319B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758479B (zh) * | 2023-06-27 | 2024-02-02 | 汇鲲化鹏(海南)科技有限公司 | 一种基于编码深度学习的智能体活动识别方法及系统 |
CN117591947B (zh) * | 2024-01-18 | 2024-04-09 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于变分量子核的量子支持向量机的数据分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3112817A1 (en) * | 2018-10-05 | 2020-04-09 | President And Fellows Of Harvard College | Quantum convolutional neural networks |
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 |
CN112651509A (zh) * | 2020-10-14 | 2021-04-13 | 腾讯科技(深圳)有限公司 | 量子线路的确定方法及装置 |
CN113159303A (zh) * | 2021-03-02 | 2021-07-23 | 重庆邮电大学 | 一种基于量子线路的人工神经元构造方法 |
WO2021173029A1 (en) * | 2020-02-28 | 2021-09-02 | Huawei Technologies Co., Ltd. | Implementation of variational quantum eigensolver algorithm by using tensor network framework |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3449426B1 (en) * | 2016-04-25 | 2020-11-25 | Google, Inc. | Quantum assisted optimization |
US20210256416A1 (en) * | 2020-02-13 | 2021-08-19 | Microsoft Technology Licensing, Llc | Training of variational quantum classifiers by parametric coordinate ascent |
WO2021181082A1 (en) * | 2020-03-12 | 2021-09-16 | River Lane Research Ltd. | Symmetry-based quantum computational chemistry |
-
2022
- 2022-03-22 CN CN202210282572.8A patent/CN114358319B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3112817A1 (en) * | 2018-10-05 | 2020-04-09 | President And Fellows Of Harvard College | Quantum convolutional neural networks |
WO2021173029A1 (en) * | 2020-02-28 | 2021-09-02 | Huawei Technologies Co., Ltd. | Implementation of variational quantum eigensolver algorithm by using tensor network framework |
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 |
CN112651509A (zh) * | 2020-10-14 | 2021-04-13 | 腾讯科技(深圳)有限公司 | 量子线路的确定方法及装置 |
CN113159303A (zh) * | 2021-03-02 | 2021-07-23 | 重庆邮电大学 | 一种基于量子线路的人工神经元构造方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114358319A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114358319B (zh) | 基于机器学习框架的分类方法及相关装置 | |
CN112232513A (zh) | 一种量子态的制备方法及装置 | |
US20240095563A1 (en) | Quantum convolution operator | |
CN112633507B (zh) | 一种将复向量编码到量子线路的方法及装置 | |
CN114358216B (zh) | 基于机器学习框架的量子聚类方法及相关装置 | |
CN114792378A (zh) | 一种量子图像识别方法及装置 | |
CN115293254A (zh) | 基于量子多层感知器的分类方法及相关设备 | |
CN114358295B (zh) | 基于机器学习框架的二分类方法及相关装置 | |
CN114358318B (zh) | 基于机器学习框架的分类方法及相关装置 | |
CN114358317B (zh) | 基于机器学习框架的数据分类方法及相关设备 | |
CN114372539B (zh) | 基于机器学习框架的分类方法及相关设备 | |
CN113222153A (zh) | 一种量子态的模拟方法、装置、存储介质和电子装置 | |
CN113222151A (zh) | 一种量子态的变换方法及装置 | |
CN114819163A (zh) | 量子生成对抗网络的训练方法、装置、介质及电子装置 | |
CN115983392A (zh) | 量子程序映射关系的确定方法、装置、介质及电子装置 | |
CN114511094A (zh) | 一种量子算法的优化方法、装置、存储介质与电子装置 | |
CN114372584B (zh) | 基于机器学习框架的迁移学习方法及相关装置 | |
CN114764619A (zh) | 一种基于量子线路的卷积操作方法及装置 | |
CN114372582B (zh) | 基于机器学习框架的量子自动编码方法及相关装置 | |
CN114764618B (zh) | 一种针对线性系统的量子预处理方法及装置 | |
CN116167407A (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 | |
CN114881238A (zh) | 量子鉴别器的构造方法、装置、介质及电子装置 | |
CN114881239A (zh) | 量子生成器的构造方法、装置、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 | |
CN114692879A (zh) | 一种基于稀疏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 |