越來(lái)越多的研究表明,借助量子計(jì)算技術(shù)可以提高有監(jiān)督分類算法和無(wú)監(jiān)督聚類算法的計(jì)算效率,甚至是學(xué)習(xí)精度.通常采用的方法有:基于量子理論將經(jīng)典信息轉(zhuǎn)換為量子態(tài)的形式存儲(chǔ)起來(lái),用量子態(tài)來(lái)表示所有樣本;以量子態(tài)之間的距離替代樣本數(shù)據(jù)之間的經(jīng)典距離,形成新的相似度來(lái)度量樣本數(shù)據(jù)間的相似性等.通過(guò)理論和模擬驗(yàn)證表明,量子計(jì)算可以實(shí)現(xiàn)對(duì)經(jīng)典機(jī)器學(xué)習(xí)算法的加速.最后,總結(jié)了量子機(jī)器學(xué)習(xí)技術(shù)的優(yōu)勢(shì)和目前所存在的問(wèn)題,并展望了未來(lái)該領(lǐng)域的發(fā)展趨勢(shì). 

【文章來(lái)源】：微電子學(xué)與計(jì)算機(jī). 2020,37(08)北大核心

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

KNN算法數(shù)據(jù)分類方式

在特征空間中,樣本即為一個(gè)個(gè)多維向量.因此,常用的相似度標(biāo)準(zhǔn)有:比較兩個(gè)樣本的內(nèi)積、歐氏距離、漢明距離、曼哈頓距離、夾角余弦距離等.當(dāng)想要把傳統(tǒng)KNN算法轉(zhuǎn)換為量子版本,通常聚焦在如何使用量子計(jì)算來(lái)評(píng)估兩個(gè)向量之間的距離,以替代兩個(gè)向量間的經(jīng)典距離.為此,首先需要使用量子態(tài)來(lái)表示樣本向量.A?meur等人[6]提出使用保真度(fidelity)〈a|b〉作為兩個(gè)量子態(tài)|a〉和|b〉的相似度.保真度可以通過(guò)一個(gè)簡(jiǎn)單的Swap量子電路來(lái)得到,如圖2所示.其中H代表Hadamard門,電路是否起作用由最上面的量子比特控制,即電路最上面的量子線對(duì)應(yīng)的是控制比特,初始狀態(tài)設(shè)置為|0〉.下面兩個(gè)量子線對(duì)應(yīng)的是受控量子比特.第一個(gè)H門將控制比特|0〉轉(zhuǎn)換為一個(gè)疊加態(tài) ( 1/ 2 )( |0?+|1? ) .當(dāng)控制比特的狀態(tài)為|1〉時(shí),Swap量子電路對(duì)于狀態(tài) |a 和|b〉進(jìn)行交換操作.經(jīng)過(guò)第二個(gè)H門后可得到量子態(tài)

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)是一種通過(guò)模擬生物神經(jīng)網(wǎng)絡(luò)的計(jì)算模型,應(yīng)用十分廣泛.一個(gè)經(jīng)典的ANN是基于多層次的網(wǎng)狀結(jié)構(gòu),如圖3所示[1].圖中的節(jié)點(diǎn)稱為神經(jīng)元(neurons),節(jié)點(diǎn)之間通過(guò)帶有權(quán)重的突觸(synapses)來(lái)連接.每個(gè)神經(jīng)元都有一個(gè)激活函數(shù),該函數(shù)通過(guò)上層神經(jīng)元的值以及相應(yīng)權(quán)重,從而決定了當(dāng)前神經(jīng)元的值.圖3的第一層為輸入層,最后一層為輸出層,中間層(可以多層)為隱含層.

【參考文獻(xiàn)】：
期刊論文
[1]量子機(jī)器學(xué)習(xí)算法綜述[J]. 黃一鳴,雷航,李曉瑜.  計(jì)算機(jī)學(xué)報(bào). 2018(01)
[2]軌跡大數(shù)據(jù):數(shù)據(jù)處理關(guān)鍵技術(shù)研究綜述[J]. 高強(qiáng),張鳳荔,王瑞錦,周帆.  軟件學(xué)報(bào). 2017(04)
[3]大數(shù)據(jù)與量子計(jì)算[J]. 王書浩,龍桂魯.  Science Bulletin. 2015(Z1)



本文編號(hào)：3296976