CN115907021A - 基于量子计算的数据聚类方法、装置及量子计算机 - Google Patents
基于量子计算的数据聚类方法、装置及量子计算机 Download PDFInfo
- Publication number
- CN115907021A CN115907021A CN202111155963.5A CN202111155963A CN115907021A CN 115907021 A CN115907021 A CN 115907021A CN 202111155963 A CN202111155963 A CN 202111155963A CN 115907021 A CN115907021 A CN 115907021A
- Authority
- CN
- China
- Prior art keywords
- quantum
- data
- clustered
- similarity
- cluster
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000015654 memory Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 14
- 230000001133 acceleration Effects 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 239000002096 quantum dot Substances 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000015149 toffees Nutrition 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013107 unsupervised machine learning method Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了基于量子计算的数据聚类方法、装置及量子计算机,该方法包括:分别制备待聚类数据的量子态,计算所述量子态间的相似度,所述相似度用于表示对应的所述待聚类数据之间的距离,根据所述相似度将所述量子态进行簇的划分,将相似度满足第一预设条件的所述待聚类数据划分至同一所述簇,所述簇为所述待聚类数据的集合。利用本发明实施例,可以将量子计算与聚类算法进行结合,发挥量子计算的并行加速优势,用于降低处理传统聚类任务时所需要的计算量。
Description
技术领域
本申请涉及量子计算技术领域,尤其涉及基于量子计算的数据聚类方法、装置及量子计算机。
背景技术
聚类算法是一种经典的无监督机器学习方法,对于给定的样本集,按照样本之间的距离大小,将样本集划分为K个簇。让簇内的点尽量紧密的连在一起,而让簇间的距离尽量的大,其作用是将具有相似特征的样本聚为一类。
聚类算法需要处理的数据量与样本的数量正相关,当样本的数量足够大时,聚类算法处理数据需要的计算复杂度也会变大,如何降低聚类算法的计算复杂度就成为了一个亟待解决的问题。
发明内容
本申请提供了基于量子计算的数据聚类方法、装置及量子计算机,将量子计算与聚类算法进行结合,发挥量子计算的并行加速优势,用于降低处理传统聚类任务时所需要的计算量。
第一方面,本申请实施例提供一种基于量子计算的数据聚类方法,包括:
分别制备待聚类数据的量子态;
计算所述量子态间的相似度,所述相似度用于表示对应的所述待聚类数据之间的距离;
根据所述相似度将所述量子态进行簇的划分,将相似度满足第一预设条件的所述待聚类数据划分至同一所述簇,所述簇为所述待聚类数据的集合。
可选地,所述根据相似度将所述量子态进行划分之前,所述方法还包括:
确定簇的个数k以及与所述k个簇分别对应的k个簇心。
可选地,所述方法还包括:
判断划分后的所述簇与所述待聚类数据是否满足第二预设条件;
若不满足所述预设条件,则更新所述簇心并重新计算所述相似度。
可选地,判断划分后的所述簇与所述待聚类数据是否满足第二预设条件包括:
获取所述簇心更新的次数;
若所述次数不小于第一预设值,判定为满足条件并停止更新所述簇心;
若所述次数小于第一预设值,则判定为不满足条件。
可选地,判断划分后的所述簇与所述待聚类数据是否满足第二预设条件包括:
获取所述簇心的更新偏移距离;
若所述偏移距离小于第二预设值,则判定为满足条件并停止更新所述簇心;
若所述偏移距离大于第二预设值,则判定为不满足条件。
可选地,计算所述量子态的相似度包括:
根据预设量子逻辑门构建量子线路,所述预设量子逻辑门包括RX门、RY门与受控SWAP门;
将所述待聚类数据的量子态制备至所述量子线路上,并运行所述量子线路;
测量所述量子线路的目标量子比特,并根据所述目标量子比特的测量结果获得所述量子态间的相似度。
第二方面,本申请提供了一种基于量子计算的数据聚类装置,包括:
制备单元,用于分别制备待聚类数据的量子态;
计算单元,用于计算所述量子态间的相似度,所述相似度用于表示对应的所述待聚类数据之间的距离;
划分单元,用于根据所述相似度将所述量子态进行簇的划分,将相似度满足第一预设条件的所述待聚类数据划分至同一所述簇,所述簇为所述待聚类数据的集合。
第三方面,本申请实施例提供一种电子设备,包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行本申请实施例第一方面所述的方法中的步骤的指令。
第四方面,本申请实施例提供了一种计算机可读存储介质,其中,上述计算机可读存储介质存储用于电子数据交换的计算机程序,其中,上述计算机程序使得计算机执行如本申请实施例第一方面所述的方法中所描述的部分或全部步骤。
第五方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面所述的方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
第六方面,本申请实施例提供了一种量子计算机操作系统,其中,上述量子计算机操作系统根据本申请实施例第一方面所述的方法中所描述的部分或全部步骤实现基于量子计算的数据聚类处理。
附图说明
图1为本申请实施例提供的基于量子计算的数据聚类方法的一个流程示意图;
图2-a为本申请实施例提供的基于量子计算的数据聚类方法的一个量子线路示意图;
图2-b为本申请实施例提供的基于量子计算的数据聚类方法的另一量子线路示意图;
图3为本申请实施例提供的基于量子计算的数据聚类方法的另一流程示意图;
图4为本申请实施例提供的基于量子计算的数据聚类方法的另一流程示意图;
图5为本申请实施例提供的基于量子计算的数据聚类装置的结构示意图;
图6为本申请实施例提供的基于量子计算的数据聚类方法计算机终端的硬件结构框图。
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,仅用于解释本申请,而不能解释为对本申请的限制。
本申请提供了基于量子计算的数据聚类方法、装置及量子计算机,将量子计算与聚类算法进行结合,发挥量子计算的并行加速优势,用于降低处理传统聚类任务时所需要的计算量。
要说明的是,本申请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,也称量子逻辑线路,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。量子线路的展现方式可以是按一定执行时序排列的量子逻辑门序列。
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,一直到遇上量子逻辑门而被操作。
一个量子程序整体上对应有一条总的量子线路,本申请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(或单量子逻辑门,简称“单门”),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;两比特量子逻辑门(或双量子逻辑门,简称“双门”),如CNOT门、CR门、SWAP门、ISWAP门等等;多比特量子逻辑门(或多量子逻辑门,简称“多门”),如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的。例如,量子态右矢|0>对应的矢量为量子态右矢|1>对应的矢量为
量子态,即量子比特的逻辑状态。在量子算法(或称量子程序)中,针对量子线路包含的一组量子比特的量子态,采用二进制表示方式,例如,一组量子比特为q0、q1、q2,表示第0位、第1位、第2位量子比特,在二进制表示方式中从高位到低位排序为q2q1q0,该组量子比特对应的量子态共有2的量子比特总数次方个,即8个本征态(确定的状态):|000>、|001>、|010>、|011>、|100>、|101>、|110>、|111>,每个量子态的位与量子比特对应一致,如|001>态,001从高位到低位对应q2q1q0,|>为狄拉克符号。对于包含N个量子比特q0、q1、…、qn、…、qN-1的量子线路,二进制表示量子态的位阶排序为qN-1qN-2…、q1q0。
以单个量子比特说明,单个量子比特的逻辑状态ψ可能处于|0>态、|1>态、|0>态和|1>态的叠加态(不确定状态),具体可以表示为ψ=a|0>+b|1>,其中,a和b为表示量子态振幅(概率幅)的复数,振幅的模的平方表示概率,|a|2、|b|2分别表示逻辑状态是|0>态、|1>态的概率,|a|2+|b|2=1。简言之,量子态是各本征态组成的叠加态,当其他态的概率为0时,即处于唯一确定的本征态。
下面对本申请基于量子计算的数据聚类方法流程进行进一步的介绍,具体请参见图1,本申请实施例提供的基于量子计算的数据聚类方法的一个流程示意图包括:
101、分别制备待聚类数据的量子态;
聚类算法是一种机器学习技术,它涉及到数据点的分组,给定一组数据点,我们可以使用聚类算法将每个数据点划分为一个特定的簇。在一些情况下,同一组中的数据点应该具有相似的属性和/或特征,而不同组中的数据点应该具有高度不同的属性和/或特征,进一步的,当对于一组数据点进行簇类的划分时,也可以将分布较为密集的点划分至同一簇。
本实施例中,待聚类数据可以为数据点的坐标,通过将数据点的坐标制备成量子态再通过量子计算技术将待聚类数据进行簇类的划分,通过量子计算实现一次性进行多个数据的聚类划分,降低聚类过程的计算复杂度。聚类过程中需要先设定要划分的簇的个数k,以及分别对应k个簇的k个簇心,第一次的簇心确定可以为随机生成,将待聚类数据中的某一个数据点的坐标作为簇心,或者随机确定某一个坐标作为簇心。
其中,θ00根据将x0进行角度表示得到,θ01根据将y0进行角度表示得到,θ10根据将x1进行角度表示得到,θ11根据将y1进行角度表示得到。
102、计算所述量子态间的相似度,所述相似度用于表示对应的所述待聚类数据之间的距离;
本实施例中,根据量子逻辑门RX门和RY门进行量子态处理,然后经过受控SWAP门进行相似度的计算,其中进行相似度计算的量子线路如图2-b,本申请基于量子计算的数据聚类方法的另一量子线路示意图所示,图2-b为图2-a之后的量子逻辑门操作,图2-b中包括H门、受控SWAP门与M门,其中H门用于将2图-a制备成的量子态处于叠加态,受控SWAP门用于计算q-1与q-2的相似度并将相似度传至q-0,M门用于对q-0的量子态进行测量。
具体地,以簇心的坐标位置为原点,将待聚类数据的坐标通过由簇心指向待聚类数据的向量u表示,并根据公式5进行单位化以方便计算,根据公式6定义纠缠态根据公式7定义纠缠态|φ>,根据公式8定义归一化系数Z,则相似度Di具体如公式9所示,具体如下:
对q-0进行测量,,得到|0>的概率为:
则根据公式11与公式9可以得出:
Di=2P(0>)-1 公式12
根据上述公式12公式的推导过程可知,相似度可以通过测量q-0量子比特的量子态得到。
103、根据所述相似度将所述量子态进行簇的划分,将相似度满足第一预设条件的所述待聚类数据划分至同一所述簇,所述簇为所述待聚类数据的集合。
本实施例中,将待聚类数据点根据簇分类,分别计算每一个数据点与每一个预先设定好的簇心进行相似度的比对,相似度越大则该数据点与该簇心的距离更小,则将该数据点划分至该簇心所在的簇,从而实现将相似度较大的数据点划分至相同簇。
本实施例中,通过分别制备待聚类数据的量子态,计算所述量子态间的相似度,所述相似度用于表示对应的所述待聚类数据之间的距离,根据所述相似度将所述量子态进行簇的划分,将相似度满足第一预设条件的所述待聚类数据划分至同一所述簇,所述簇为所述待聚类数据的集合,可以将量子计算与聚类算法进行结合,发挥量子计算的并行加速优势,用于降低处理传统聚类任务时所需要的计算量。
基于图1,本申请对于更新簇心的判定条件进行进一步的介绍,具体请参见图3,本申请实施例提供的基于量子计算的数据聚类方法的另一流程示意图包括:
301、获取所述簇心更新的次数;
302、若所述次数不小于第一预设值,判定为满足条件并停止更新所述簇心;
303、若所述次数小于第一预设值,则判定为不满足条件。
本实施例中,在大多数情况下无法通过一次数据的聚类过程达到满意的效果,可以通过多次的聚类迭代进行聚类的划分。
具体地,判断划分后的簇心是否满足条件可以为更新所述簇心的次数是否达到预设条件。示例性地,如果设定的预设值为1000次,则处理器可以统计更新所述簇心的次数,当统计的已更新簇心的次数达到了预设值的1000次,则认定当前的聚类过程满足条件,停止更新簇心,并根据第1000次的聚类结果进行簇的划分。如果当统计的已更新簇心的次数未达到预设值的1000次,则继续进行簇心的更新。
进一步的,如上述步骤101-103所述,第一次的聚类过程的簇心可以为随机设定,通过将每一个待聚类数据与每一个簇心分别比较距离,可以将每个待聚类数据划分至与其距离最短的簇心所在的簇中,所有的待聚类数据均划分一次之后更新簇心位置,将当前簇心所在簇包括的所有待聚类数据的坐标进行加权平均计算,以得到当前簇的坐标中心位置,并以该中心位置作为新一次聚类计算的簇心,将所有待聚类数据分别与该更新后的簇心进行下一次的簇的划分。
基于图1,本申请对于更新簇心的判定条件进行进一步的介绍,具体请参见图4,本申请实施例提供的基于量子计算的数据聚类方法的另一流程示意图包括:
401、获取所述簇心的更新偏移距离;
402、若所述偏移距离小于第一预设值,则判定为满足条件并停止更新所述簇心;
403、若所述偏移距离大于第二预设值,则判定为不满足条件。
本实施例中,在大多数情况下无法通过一次数据的聚类过程达到满意的效果,可以通过多次的聚类迭代进行聚类的划分。
具体地,判断划分后的簇心是否满足条件可以为簇心的更新偏移距离是否达到预设条件。示例性地,处理器在更新簇心时可以获取每次簇心更新时偏移的距离,如果更新偏移距离的阈值设置为0.01,则当完成一次簇心的更新后,处理器获取更新前后的两个簇心所在坐标之间的距离,如果更新前后的簇心所在坐标距离小于0.01,则认为当前的簇的划分已满足聚类条件,并停止更新簇心,如果簇心所在的前后位置坐标距离大于0.01,则认为当前的簇的划分不满足聚类条件,并继续更新簇心。
进一步的,如上述步骤101-103所述,第一次的聚类过程的簇心可以为随机设定,通过将每一个待聚类数据与每一个簇心分别比较距离,可以将每个待聚类数据划分至与其距离最短的簇心所在的簇中,所有的待聚类数据均划分一次之后更新簇心位置,将当前簇心所在簇包括的所有待聚类数据的坐标进行加权平均计算,以得到当前簇的坐标中心位置,并以该中心位置作为新一次聚类计算的簇心,将所有待聚类数据分别与该更新后的簇心进行下一次的簇的划分。
传统的聚类算法需要需要计算每个待聚类数据点和聚类中心的距离,聚类过程的计算复杂度为O(NMk),本实施例通过将待聚类数据点的坐标制备成量子态,使得聚类过程的计算复杂度降低为O(log(N)Mk),其中O为计算复杂度,N为数据维度,M为待聚类数据点的个数,K为簇的个数,当待聚类数据点的数量很多时可以明显减少整个聚类过程的计算量。
本实施例中,分别制备待聚类数据的量子态,计算所述量子态间的相似度,所述相似度用于表示对应的所述待聚类数据之间的距离,根据所述相似度将所述量子态进行簇的划分,将相似度满足第一预设条件的所述待聚类数据划分至同一所述簇,所述簇为所述待聚类数据的集合。可以将量子计算与聚类算法进行结合,发挥量子计算的并行加速优势,用于降低处理传统聚类任务时所需要的计算量。
上述内容是从方法的角度对本发明进行介绍,下面从装置的角度对本发明进行进一步地介绍,具体请参见图5,包括:
制备单元501,用于分别制备待聚类数据的量子态;
计算单元502,用于计算所述量子态间的相似度,所述相似度用于表示对应的所述待聚类数据之间的距离;
划分单元503,用于根据所述相似度将所述量子态进行簇的划分,将相似度满足第一预设条件的所述待聚类数据划分至同一所述簇,所述簇为所述待聚类数据的集合。
可见,制备单元501,用于分别制备待聚类数据的量子态,计算单元502,用于计算所述量子态间的相似度,所述相似度用于表示对应的所述待聚类数据之间的距离,划分单元503,用于根据所述相似度将所述量子态进行簇的划分,将相似度满足第一预设条件的所述待聚类数据划分至同一所述簇,所述簇为所述待聚类数据的集合。可以将量子计算与聚类算法进行结合,发挥量子计算的并行加速优势,用于降低处理传统聚类任务时所需要的计算量。
下面以运行在计算机终端上为例对其进行详细说明。图6为本发明实施例提供的一种基于量子计算的数据聚类方法的计算机终端的硬件结构框图。如图6所示,计算机终端可以包括一个或多个(图6中仅示出一个)处理器601(处理器601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)和用于存储数据的存储器602,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603以及输入输出设备604。本领域普通技术人员可以理解,图6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6中所示更多或者更少的组件,或者具有与图6所示不同的配置。
存储器602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量子计算的数据聚类方法对应的程序指令/模块,处理器601通过运行存储在存储器602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602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602可进一步包括相对于处理器601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603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603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603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。本申请实施例还提供一种计算机可读存储介质,其中,该计算机可读存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括电子设备。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括电子设备。
本申请实施例还提供一种量子计算机操作系统,该量子计算机操作系统根据上述方法实施例中记载的任一方法的部分或全部步骤实现所述基于量子计算的数据聚类处理。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于量子计算的数据聚类方法,其特征在于,包括:
分别制备待聚类数据的量子态;
计算所述量子态间的相似度,所述相似度用于表示对应的所述待聚类数据之间的距离;
根据所述相似度将所述量子态进行簇的划分,将相似度满足第一预设条件的所述待聚类数据划分至同一所述簇,所述簇为所述待聚类数据的集合。
2.根据权利要求1所述的方法,其特征在于,所述根据相似度将所述量子态进行划分之前,所述方法还包括:
确定簇的个数k以及与所述k个簇分别对应的k个簇心。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
判断划分后的所述簇与所述待聚类数据是否满足第二预设条件;
若不满足所述预设条件,则更新所述簇心并重新计算所述相似度。
4.根据权利要求3所述的方法,其特征在于,判断划分后的所述簇与所述待聚类数据是否满足第二预设条件包括:
获取所述簇心更新的次数;
若所述次数不小于第一预设值,判定为满足条件并停止更新所述簇心;
若所述次数小于第一预设值,则判定为不满足条件。
5.根据权利要求3所述的方法,其特征在于,判断划分后的所述簇与所述待聚类数据是否满足第二预设条件包括:
获取所述簇心的更新偏移距离;
若所述偏移距离小于第一预设值,则判定为满足条件并停止更新所述簇心;
若所述偏移距离大于第二预设值,则判定为不满足条件。
6.根据权利要求1所述的方法,其特征在于,计算所述量子态的相似度包括:
根据预设量子逻辑门构建量子线路,所述预设量子逻辑门包括RX门、RY门与受控SWAP门;
将所述待聚类数据的量子态制备至所述量子线路上,并运行所述量子线路;
测量所述量子线路的目标量子比特,并根据所述目标量子比特的测量结果获得所述量子态间的相似度。
7.一种基于量子计算的数据聚类装置,其特征在于,包括:
制备单元,用于分别制备待聚类数据的量子态;
计算单元,用于计算所述量子态间的相似度,所述相似度用于表示对应的所述待聚类数据之间的距离;
划分单元,用于根据所述相似度将所述量子态进行簇的划分,将相似度满足第一预设条件的所述待聚类数据划分至同一所述簇,所述簇为所述待聚类数据的集合。
8.一种电子设备,其特征在于,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-6任一项所述的方法中的步骤的指令。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现权利要求1-6任一项所述的方法。
10.一种量子计算机,其特征在于,所述量子计算机包括量子计算机操作系统,所述量子计算机操作系统根据权利要求1-6任一项所述的方法实现基于量子计算的数据聚类处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111155963.5A CN115907021B (zh) | 2021-09-29 | 2021-09-29 | 基于量子计算的数据聚类方法、装置及量子计算机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111155963.5A CN115907021B (zh) | 2021-09-29 | 2021-09-29 | 基于量子计算的数据聚类方法、装置及量子计算机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115907021A true CN115907021A (zh) | 2023-04-04 |
CN115907021B CN115907021B (zh) | 2024-08-13 |
Family
ID=86484553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111155963.5A Active CN115907021B (zh) | 2021-09-29 | 2021-09-29 | 基于量子计算的数据聚类方法、装置及量子计算机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907021B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557787A (zh) * | 2016-11-28 | 2017-04-05 | 中国联合网络通信集团有限公司 | 基于量子蛙跳算法的聚类方法、装置及量子蛙跳算法 |
US20210133881A1 (en) * | 2019-10-31 | 2021-05-06 | International Business Machines Corporation | Hierarchical portfolio optimization using clustering and near-term quantum computers |
WO2021169173A1 (zh) * | 2020-02-29 | 2021-09-02 | 深圳壹账通智能科技有限公司 | 数据聚类的存储方法、装置、计算机设备及存储介质 |
-
2021
- 2021-09-29 CN CN202111155963.5A patent/CN115907021B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557787A (zh) * | 2016-11-28 | 2017-04-05 | 中国联合网络通信集团有限公司 | 基于量子蛙跳算法的聚类方法、装置及量子蛙跳算法 |
US20210133881A1 (en) * | 2019-10-31 | 2021-05-06 | International Business Machines Corporation | Hierarchical portfolio optimization using clustering and near-term quantum computers |
WO2021169173A1 (zh) * | 2020-02-29 | 2021-09-02 | 深圳壹账通智能科技有限公司 | 数据聚类的存储方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
沈国琪: "《管理统计与SPSS应用》", vol. 1, 31 December 2020, 中国原子能出版社, pages: 309 - 310 * |
赵超,牛伟纳,杨俊闯: "基于量子计算的分类和聚类算法综述", 《微电子学与计算机》, vol. 2020, no. 8, 13 October 2020 (2020-10-13), pages 1 - 5 * |
Also Published As
Publication number | Publication date |
---|---|
CN115907021B (zh) | 2024-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114764549B (zh) | 基于矩阵乘积态的量子线路模拟计算方法、装置 | |
CN113222155B (zh) | 一种量子线路的构建方法、装置、电子装置和存储介质 | |
CN114358319B (zh) | 基于机器学习框架的分类方法及相关装置 | |
CN114358216B (zh) | 基于机器学习框架的量子聚类方法及相关装置 | |
CN117709415A (zh) | 一种量子神经网络模型的优化方法及装置 | |
CN111159481A (zh) | 图数据的边预测方法、装置及终端设备 | |
CN114219048A (zh) | 基于量子计算的谱聚类方法、装置、电子设备及存储介质 | |
CN115907021B (zh) | 基于量子计算的数据聚类方法、装置及量子计算机 | |
CN115879562B (zh) | 一种量子程序初始映射的确定方法、装置及量子计算机 | |
CN116415958B (zh) | 基于量子技术的异常数据检测方法、装置及存储介质 | |
CN115983392A (zh) | 量子程序映射关系的确定方法、装置、介质及电子装置 | |
CN114881238A (zh) | 量子鉴别器的构造方法、装置、介质及电子装置 | |
CN111291792B (zh) | 基于双进化的流量数据类型集成分类方法及装置 | |
CN114881239A (zh) | 量子生成器的构造方法、装置、介质及电子装置 | |
CN115204399A (zh) | 一种量子计算任务计算方法、装置及量子计算机操作系统 | |
CN116089674A (zh) | 基于量子计算的数据聚类方法、装置、设备及存储介质 | |
CN116089675A (zh) | 一种量子聚类方法、装置、电子设备及存储介质 | |
CN114912619A (zh) | 一种量子计算任务调度方法、装置及量子计算机操作系统 | |
CN115730668B (zh) | 一种量子线路的切割方法、装置及量子计算机操作系统 | |
CN115730669B (zh) | 一种量子线路的处理方法、装置及量子计算机操作系统 | |
CN115907016B (zh) | 一种基于量子计算搜索目标范围值的方法及相关装置 | |
CN114862079A (zh) | 基于量子线路的风险值估算方法、装置、介质及电子装置 | |
CN115511094B (zh) | 量子线路执行结果确定方法、装置及量子计算机操作系统 | |
CN112816959A (zh) | 用于车辆的聚类方法、装置、设备和存储介质 | |
CN115936132B (zh) | 一种量子电路的模拟方法及相关装置 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, Hefei high tech Zone, Hefei City, Anhui Province Applicant after: Benyuan Quantum Computing Technology (Hefei) Co.,Ltd. Address before: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, Hefei high tech Zone, Hefei City, Anhui Province Applicant before: ORIGIN QUANTUM COMPUTING COMPANY, LIMITED, HEFEI |
|
GR01 | Patent grant | ||
GR01 | Patent grant |