【技术实现步骤摘要】
【国外来华专利技术】用于经典机器学习的量子增强特征
技术介绍
[0001]本公开涉及机器学习,并且更具体地涉及用于经典机器学习的量子增强特征
。
[0002]量子计算已经在解决经典难以处理的计算问题方面显示出前景
。
目前,现有技术的量子计算设备被认为是有噪声的中等规模量子
(Noisy Intermediate
‑
Scale Quantum
,
NISQ)
设备
。
这种量子计算设备实施了少量的易出错量子比特,少于在物理量子比特的当前错误率下实施单个逻辑量子比特的纠错所需要的数百或数千个
。
不幸的是,容错的
、
纠错的量子计算机的完全实现将需要实施数千或甚至数百万个物理量子比特的设备
。
因此,现有技术的量子计算设备还不能支持足够的量子比特来解决许多经典难以处理的感兴趣的计算问题
。
实际上,因为量子计算处于起步阶段,所以成熟的经典计算技术仍然广泛用于各种
。
迄今为止,量子计算研究主要集中于物理地构建可以实施更大数量的量子比特的量子计算设备
。
相比之下,有限的量子计算研究集中在如何利用现有量子计算设备来改进经典计算技术的性能
。
因此,本专利技术人已经观察到,可以解决该技术问题的系统和
/
或技术可能是期望的
。
技术实现思路
[0003]以下给出了概述以提供对本专利技术的一个或多个实施例的基本理解< ...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.
一种系统,包括:处理器,所述处理器执行存储在计算机可读存储器中的计算机可执行组件,所述计算机可执行组件包括:接收器组件,所述接收器组件访问经典数据集;以及特征组件,所述特征组件基于所述经典数据集的量子变换来生成一个或多个机器学习输入特征
。2.
根据前一权利要求所述的系统,其中,所述计算机可执行组件还包括:执行组件,所述执行组件对所述一个或多个机器学习输入特征执行经典机器学习模型
。3.
根据前述权利要求中任一项所述的系统,其中,所述计算机可执行组件还包括:转换组件,所述转换组件将所述经典数据集转换为量子概率幅度的集合;以及量子组件,所述量子组件对所述量子概率幅度的集合执行量子电路,从而产生所述经典数据集的所述量子变换
。4.
根据前一权利要求所述的系统,其中,所述量子电路是量子傅立叶变换
。5.
根据前述权利要求中任一项所述的系统,其中,所述计算机可执行组件还包括:可视化组件,所述可视化组件视觉地渲染所述经典数据集和所述一个或多个机器学习输入特征两者
。6.
根据前述权利要求中任一项所述的系统,其中,所述经典数据集包括时间序列数据
。7.
根据前述权利要求中任一项所述的并且具有权利要求3的特征的系统,其中,所述量子电路在包括物理量子比特的量子计算设备上执行
。8.
根据前一权利要求所述的系统,其中,所述量子组件与量子计算设备电子地集成
。9.
根据前述权利要求中任一项所述的并且具有权利要求3的特征的系统,其中,所述量子概率幅度的集合共同地表示量子态向量
。10.
根据前一权利要求所述的并且具有权利要求7的特征的系统,其中,所述量子组件被配置为在所述量子计算设备上执行任何合适的初始化电路,以便根据所述量子态向量来放置所述量子计算设备的所述量子比特的所述状态
。11.
一种计算机实施的方法,包括:通过操作地耦合到处理器的设备访问经典数据集;以及由所述设备基于所述经典数据集的量子变换来生成一个或多个机器学习输入特征
。12.
根据前一权利要求所述的计算机实施的方法,还包括:由所述设备对所述一个或多个机器学习输入特征执行经典机器学习模型
。13.
根据前述两项权利要求中任一项所述的计算机实施的方法,还包括:由所述设备将所述经典数据集转换为量子概率幅度的集合;以及由所述设备对所述量子概率幅度的集合执行量子电路,从而产生所述经典数据集的所述量子变换
。14.
根据前一权利要求所述的计算机实施的方法,其中,所述量子电路是量子傅里叶变换
。15.
根据前述四项权利要求中任一项所述的计算机实施的方法,还包括:由所述设备视觉地渲染所述经典数据集和所述一个或多个机器学习输入特征两者
。
16.
根据前述五项权利要求中任一项所述的计算机实施的方法,其中,所述经典数据集包括时间序列数据
。17.
根据前述六项权利要求中任一项所述的并且具有权利要求
13
的特征的计算机实施的方法,其中,所述量子电路在包括物理量子比特的量子计算设备上执行
。18.
一种用于促进用于经典机器学习的量子增强特征的计算机程序产品,所述计算机程序产品包括具有与其一起体现...
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。