本发明专利技术公开了一种基于变分量子计算的多分类方法，包括待分类的经典数据预处理；将特征数据采用量子振幅编码方式编码为量子数据，同时使用log2L个量子比特表示L个分类标签，将分类标签转换为二进制形式的标签态；将编码的量子数据输入变分量子电路模型中进行训练，采用交换测试电路计算输出态和标签态之间的保真度来优化变分量子电路模型的内部参数；在训练完成后通过测量输出态实现对经典数据的分类。本发明专利技术使用多粒子态表示分类标签，将需要的辅助粒子数量从L降低至log2L，压缩了辅助粒子的数量，有效地降低了电路宽度，保证分类准确率的同时降低了系统复杂度，减少了量子资源消耗，解决了在量子多分类器场景中产生的决策边界问题。边界问题。边界问题。
【技术实现步骤摘要】
一种基于变分量子计算的多分类方法及装置
[0001]本专利技术涉及量子计算和机器学习
，具体地讲，是涉及一种基于变分量子计算的多分类方法及装置。
技术介绍
[0002]随着量子计算技术的发展，人们开始将量子计算与机器学习相结合，这给解决量子物理中的复杂问题带来了新思路。这种结合可能为两个领域带来前所未有的前景。目前，研究人员主要在进行两个方面的研究：一方面是使用量子计算机来加速机器学习算法的运算，另一方面是开发新的量子机器学习算法。
[0003]分类作为机器学习中最重要的分支之一，目前已经广泛用于图像识别，文本分类，语音识别等实际应用。随着量子计算理论的快速发展，开发能够处理复杂分类任务的量子增强分类模型具有一定前景。迄今为止，已经有很多工作将流行的经典算法推广到了量子领域，著名的有量子支持向量机，量子最近邻算法和量子决策树分类器等。受到经典机器学习成果的启发，继承了经典神经网络一些特性的变分量子分类器引起了广泛的关注并取得了快速发展。与经典情况相似，变分量子分类器包含了在训练过程中可以优化的变分参数，通过计算目标函数对于参数的偏导数来实现参数的优化。同样的，一些工作直接将经典神经网络的概念扩展到了量子领域，如量子卷积神经网络和连续变量量子神经网络。然而，已经提出的量子分类模型的大部分工作都是为了解决二分类问题。虽然多分类问题可以转换成多个二分类问题进行解决，但是在量子场景下，同样的处理方式可能会产生如下问题：
①
需要建立多个二分类器，这可能会增加系统的复杂度；
②
由于各个二分类器的决策边界可能不会协调，因此最终的决策边界可能不够平滑，这可能导致分类结果不够准确；
③
分类器数量大量增加，但是量子资源有限；
④
分类器准确率不高。虽然直接使用多类别分类器可以解决决策边界问题，但是如果类别数目过大，辅助粒子过多，会加剧系统复杂度和资源问题造成的影响。
技术实现思路
[0004]针对上述现有技术中的上述问题，本专利技术提供一种基于变分量子计算的多分类方法及装置，以降低量子计算电路的复杂度和资源消耗。
[0005]为了实现上述目的，本专利技术采用的技术方案如下：
[0006]一种基于变分量子计算的多分类方法，包括以下步骤：
[0007]S10、将待分类的经典数据进行预处理；
[0008]S20、将预处理后的经典数据中的特征数据采用量子振幅编码的方式编码为量子态信息，并将分类标签数据编码为二进制多粒子态形式的标签态；
[0009]S30、将编码后的量子态信息作为输入态对变分量子电路模型进行训练，该变分量子电路模型相应输出位的输出态表示模型的预测分类标签；
[0010]S40、采用swap
‑
test电路计算变分量子电路模型的输出态和真实的标签态之间的
损失值，基于该损失值进行反向传播迭代更新优化变分量子电路模型中的参数；
[0011]S50、当损失值低于设定阈值或达到设定的迭代轮数后，完成对变分量子电路模型的训练，确定出变分量子电路模型中的参数权重；
[0012]S60、在待分类的经典数据进行量子编码并输入变分量子电路模型后，通过测量变分量子电路模型的输出态实现对数据分类。
[0013]具体地，所述步骤S10中将待分类的经典数据进行预处理包括：
[0014]根据分类标签的数量L将经典数据的维度进行降维处理至N维，其中，
[0015]且log2N为整数。
[0016]具体地，所述步骤S20中将预处理后的经典数据中的特征数据采用量子振幅编码的方式编码为量子态信息的表达如下：
[0017][0018]式中，N表示经典数据的矢量维度，d表示编码后的第d个数据向量，x0,x1,...,x
N
‑1为输入向量经过归一化处理后的每一维的值，对应每个叠加态的振幅即x
02
+x
12
+...+x
N
‑
12
＝1。
[0019]具体地，所述步骤S20中将分类标签数据编码为二进制多粒子态形式的标签态包括：
[0020]将不同的分类标签y
d
∈{0,1,2...,L
‑
1}转换为二进制，并使用角度编码方式将其编码至log2L个量子比特上形成对应的标签态|ψ>
d
∈{0,1...,L
‑
1}。
[0021]具体地，所述待分类的经典数据经过量子编码处理后形成的量子数据集D表示为
[0022]D＝{(|φ>
d
,|ψ>
d
)}
d＝1D
[0023]式中，|φ>
d
表示输入态，|ψ>
d
表示对应输入态的标签态。
[0024]具体地，所述步骤S30中变分量子电路模型包括多次重复的单位量子电路，其中单位量子电路由一层Y旋转门和一层CX纠缠门操作交替组成，重复次数根据输入态对应的数据维度确定。
[0025]具体地，所述步骤S40中采用swap
‑
test电路计算变分量子电路模型的输出态和真实的标签态之间的损失值包括：
[0026]在swap
‑
test电路中配置一个辅助粒子，通过对该辅助粒子的单粒子测量获得对变分量子电路模型的输出态和真实的标签态的保真度F，以该保真度作为损失值。
[0027]具体地，所述步骤S40中基于该损失值进行反向传播迭代更新优化变分量子电路模型中的参数包括：
[0028]设置目标函数其中F
i
表示第i个训练数据的保真度；
[0029]使用基于一阶梯度的随机目标函数优化器Adam持续优化该目标函数使保真度最小，从而最小化分类误差。
[0030]具体地，所述步骤S60中测量变分量子电路模型的输出态时最大概率得到的状态为预测的标签态，根据该预测的标签态确定出对应输入的经典数据的分类。
[0031]进一步地，实现上述基于变分量子计算的多分类方法的装置，包括：
[0032]数据输入量子电路，用于预处理待分类的经典数据并将预处理后的经典数据中的特征数据使用量子振幅编码的方式编码至量子电路中，使经典数据转换成为量子数据得到处理，同时使用二进制编码和角度编码的方式将分类标签数据编码至多粒子态的量子态中；
[0033]变分量子电路，用于处理编码后的量子数据，通过配置训练及持续优化内部参数，将量子数据转换为相应的分类预测信息，以达到多分类的目的；以及
[0034]后处理电路，用于处理训练过程中变分量子电路的中间量子态数据，通过swap
‑
test电路计算中间量子态与真实标签态之间的保真度作为损失值，再通过反向传播持续优化变分量子电路中的内部参数，实现准确分类。
[00本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于变分量子计算的多分类方法，其特征在于，包括以下步骤：S10、将待分类的经典数据进行预处理；S20、将预处理后的经典数据中的特征数据采用量子振幅编码的方式编码为量子态信息，并将分类标签数据编码为二进制多粒子态形式的标签态；S30、将编码后的量子态信息作为输入态对变分量子电路模型进行训练，该变分量子电路模型相应输出位的输出态表示模型的预测分类标签；S40、采用swap
‑
test电路计算变分量子电路模型的输出态和真实的标签态之间的损失值，基于该损失值进行反向传播迭代更新优化变分量子电路模型中的参数；S50、当损失值低于设定阈值或达到设定的迭代轮数后，完成对变分量子电路模型的训练，确定出变分量子电路模型中的参数权重；S60、在待分类的经典数据进行量子编码并输入变分量子电路模型后，通过测量变分量子电路模型的输出态实现对数据分类。2.根据权利要求1所述的基于变分量子计算的多分类方法，其特征在于，所述步骤S10中将待分类的经典数据进行预处理包括：根据分类标签的数量L将经典数据的维度进行降维处理至N维，其中，且log2N为整数。3.根据权利要求2所述的基于变分量子计算的多分类方法，其特征在于，所述步骤S20中将预处理后的经典数据中的特征数据采用量子振幅编码的方式编码为量子态信息的表达如下：式中，N表示经典数据的矢量维度，d表示编码后的第d个数据向量，x0,x1,...,x
N
‑1为输入向量经过归一化处理后的每一维的值，对应每个叠加态的振幅即x
02
+x
12
+...+x
N
‑
12
＝1。4.根据权利要求3所述的基于变分量子计算的多分类方法，其特征在于，所述步骤S20中将分类标签数据编码为二进制多粒子态形式的标签态包括：将不同的分类标签y
d
∈{0,1,2...,L
‑
1}转换为二进制，并使用角度编码方式将其编码至log2L个量子比特上形成对应的标签态|ψ>
d
∈{0,1...,L
‑
1}。5.根据权利要求4所述的基于变分量子计算的多分类方法，其特征在于，所述待分类的经典数据经过量子编码处理后形成的量子数据集D表示为D＝{(|φ>
d
【专利技术属性】
技术研发人员：刘明哲，周杰，李冬芬，唐小川，杨小龙，谭玉乔，周让，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。