经典数据处理方法、计算设备及存储介质技术

本公开提供了经典数据处理方法、计算设备及存储介质，涉及数据处理领域，尤其涉及量子计算领域。具体实现方案为：获取特征序列，所述特征序列是基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理后所得；所述经典数据为用于分类处理或回归处理N条经典数据之一；基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码。如此，能够以较小的代价提高量子编码的质量。而且，兼具通用性和灵活性。兼具通用性和灵活性。兼具通用性和灵活性。

Classical data processing methods, computing devices and storage media

【技术实现步骤摘要】
经典数据处理方法、计算设备及存储介质


[0001]本公开涉及数据处理
，尤其涉及量子计算


技术介绍

[0002]如何对数据进行分类是人工智能领域关注的核心问题，主要原因是生产生活中遇到的很多问题都可以归结为分类问题，例如人脸识别系统、图片分类、肿瘤诊断方案等。近几年量子机器学习领域得到了飞速的发展，近期的量子计算设备已经可以实现量子神经网络(Quantum Neural Network，QNN)。因此，有望通过QNN对经典数据进行分类，从而利用量子纠缠、叠加等量子特性解决当前人工智能技术很难解决的实际问题，突破当前分类问题的瓶颈。

技术实现思路

[0003]本公开提供了一种经典数据处理方法、装置、设备及存储介质。
[0004]根据本公开的一方面，提供了一种经典数据处理方法，应用于量子计算设备，包括：
[0005]获取特征序列，所述特征序列是基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理后所得；所述经典数据为用于分类处理或回归处理N条经典数据之一；所述M为大于等于2的自然数；所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种经典数据处理方法，应用于量子计算设备，包括：获取特征序列，所述特征序列是基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理后所得；所述经典数据为用于分类处理或回归处理N条经典数据之一；所述M为大于等于2的自然数；所述N为大于等于1的自然数；以及基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码。2.根据权利要求1所述的方法，其中，所述基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码，包括：基于所述特征序列中特征的顺序，将所述经典数据中的M个特征编码在所述量子编码电路中的量子比特上。3.根据权利要求2所述的方法，还包括：在所述量子编码电路中包含有多个量子比特情况下，基于所述量子编码电路中量子比特的目标数量，对所述特征序列中的M个特征进行分组，得到至少一个有序特征组，所述有序特征组中包含有所述目标数量个特征，且所包含的特征的顺序与所述特征序列中特征的顺序相对应；其中，所述将所述经典数据中的M个特征编码在所述量子编码电路中的量子比特上，包括：将所述有序特征组中不同特征编码到所述量子编码电路中的不同量子比特上。4.根据权利要求1至3任一项所述的方法，其中，所述量子编码电路是基于所述特征序列对应的分布情况所确定，所述分布情况表征所述特征序列中特征的特征度量信息的数据分布情况。5.根据权利要求4所述的方法，其中，所述量子编码电路包含有目标数量个量子比特；所述目标数量是基于所述分布情况所确定出的、对所述特征序列进行量子编码所需的量子比特的数量。6.根据权利要求1至5任一项所述的方法，其中，所述特征度量信息为能够度量所述经典数据对应的特征在所述N条经典数据中的波动程度的信息。7.根据权利要求6所述的方法，其中，所述特征度量信息为所述经典数据所包含的特征的方差。8.根据权利要求6或7所述的方法，其中，所述特征序列是基于所述M个特征中特征的特征度量信息对所述M个特征进行降序排序或升序排序后所得。9.根据权利要求1至7任一项所述的方法，还包括：得到所述经典数据对应的量子态；其中，所述量子编码电路为量子神经网络所包含的编码电路；所述量子神经网络能够对所述N条经典数据进行处理，所述处理为以下至少之一：模型训练、分类处理、回归处理；将所述量子神经网络包含的参数化量子电路作用到所述经典数据对应的量子态上，得到输出结果。10.一种经典数据处理方法，应用于具有经典计算能力和量子计算能力的计算设备，包括：基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理，得到特
征序列；其中，所述经典数据为用于进行分类处理或回归处理的N条经典数据之一；所述M为大于等于2的自然数；所述N为大于等于1的自然数；以及基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码。11.根据权利要求10所述的方法，其中，所述基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码，包括：基于所述特征序列中特征的顺序，将所述经典数据中的M个特征编码在所述量子编码电路中的量子比特上。12.根据权利要求11所述的方法，还包括：在所述量子编码电路中包含有多个量子比特情况下，基于所述量子编码电路中量子比特的目标数量，对所述特征序列中的M个特征进行分组，得到至少一个有序特征组，所述有序特征组中包含有所述目标数量个特征，且所包含的特征的顺序与所述特征序列中特征的顺序相对应；其中，所述将所述经典数据中的M个特征编码在所述量子编码电路中的量子比特上，包括：将所述有序特征组中不同特征编码到所述量子编码电路中的不同量子比特上。13.根据权利要求10至12任一项所述的方法，其中，所述量子编码电路是基于所述特征序列对应的分布情况所确定，所述分布情况表征所述特征序列中特征的特征度量信息的数据分布情况。14.根据权利要求13所述的方法，其中，所述量子编码电路包含有目标数量个量子比特；所述目标数量是基于所述分布情况所确定出的、对所述特征序列进行量子编码所需的量子比特的数量。15.根据权利要求10至14任一项所述的方法，其中，所述特征度量信息为能够度量所述经典数据对应的特征在所述N条经典数据中的波动程度的信息。16.根据权利要求15所述的方法，还包括：计算得到所述经典数据所包含的特征的方差；将所述经典数据所包含的特征的方差作为所述特征的特征度量信息。17.根据权利要求15或16所述的方法，其中，所述基于经典数据所包含的M个特征的特征度量信息对所述M个特征进行排序处理，得到特征序列，包括：基于所述经典数据所包含的M个特征的特征度量信息，对所述M个特征进行降序排序或升序排序，得到所述特征序列。18.根据权利要求10至17任一项所述的方法，还包括：得到所述经典数据对应的量子态；其中，所述量子编码电路为量子神经网络所包含的编码电路；所述量子神经网络能够对所述N条经典数据进行处理，所述处理为以下至少之一：模型训练、分类处理、回归处理；将所述量子神经网络包含的参数化量子电路作用到所述经典数据对应的量子态上，得到输出结果。19.一种量子计算设备，包括：输入单元，用于获取特征序列，所述特征序列是基于经典数据所包含的M个特征的特征
度量信息对所述M个特征进行排序处理后所得；所述经典数据为用于分类处理或回归处理N条经典数据之一；所述M为大于等于2的自然数；所述N为大于等于1的自然数；量子处理单元，用于基于所述特征序列中特征的顺序，通过量子编码电路对所述经典数据中的M个特征进行量子编码。20.根据权利要求19所述的量子计算设备，其中，所述量子处理单元，具体用于基于所述特征序列中特征的顺序，将所述经典数据中的M个特征编码在所述量子编码电路中的量子比特上。21.根据...

【专利技术属性】
技术研发人员：王鑫，叶瑞麟，李广西，幺宏顺，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：