• 北大核心期刊(《中文核心期刊要目总览》2017版)
  • 中国科技核心期刊(中国科技论文统计源期刊)
  • JST 日本科学技术振兴机构数据库(日)收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于量子计算的分类和聚类算法综述

赵超 牛伟纳 杨俊闯

赵超, 牛伟纳, 杨俊闯. 基于量子计算的分类和聚类算法综述[J]. 微电子学与计算机, 2020, 37(8): 1-5.
引用本文: 赵超, 牛伟纳, 杨俊闯. 基于量子计算的分类和聚类算法综述[J]. 微电子学与计算机, 2020, 37(8): 1-5.
ZHAO Chao, NIU Wei-na, YANG Jun-chuang. A survey on quantum classification and clustering algorithms[J]. Microelectronics & Computer, 2020, 37(8): 1-5.
Citation: ZHAO Chao, NIU Wei-na, YANG Jun-chuang. A survey on quantum classification and clustering algorithms[J]. Microelectronics & Computer, 2020, 37(8): 1-5.

基于量子计算的分类和聚类算法综述

基金项目: 

国家自然科学基金项目 61902262

河北省高等学校科学技术研究项目 QN2018109

邯郸市科学技术研究与发展计划项目 19422031008-15

详细信息
    作者简介:

    赵超  男,(1986-),博士,讲师.研究方向为量子计算、机器学习.E-mail:zc57@163.com

    牛伟纳  女,(1990-),博士.研究方向为网络安全、流量分析

    杨俊闯  男,(1995-),硕士研究生.研究方向为机器学习

  • 中图分类号: TP301.6

A survey on quantum classification and clustering algorithms

  • 摘要:

    越来越多的研究表明,借助量子计算技术可以提高有监督分类算法和无监督聚类算法的计算效率,甚至是学习精度.通常采用的方法有:基于量子理论将经典信息转换为量子态的形式存储起来,用量子态来表示所有样本;以量子态之间的距离替代样本数据之间的经典距离,形成新的相似度来度量样本数据间的相似性等.通过理论和模拟验证表明,量子计算可以实现对经典机器学习算法的加速.最后,总结了量子机器学习技术的优势和目前所存在的问题,并展望了未来该领域的发展趋势.

     

  • 图 1  KNN算法数据分类方式

    (a) 当k=5时,找到与待分类样本×最近的5个训练样本,可知×所属于圆形类别;(b)计算出每个类别的质心(阴影样本),可知×与圆形阴影质心的距离最短,即×所属于圆形类别.此时可认为k=1.

    图 2  Swap量子电路

    图 3  一个人工神经网络示意图

    图 4  K-means算法的聚类过程

    (a) 将每个待分类样本(空心方形、圆形、三角形)归类为与其最近质心(阴影样本)的类别.(b)每次聚类后,重新计算并更新每个类别的质心位置(阴影样本),形成新聚类.

    图 5  最小生成树算法聚类过程

    (a)特征空间中的原始样本数据点;(b)生成数据点的最小生成树;(c)通过消除最小生成树中k-1条最长的边(图 5(b)中虚线),可生成k个子类.

  • [1] ADCOCK J, ALLEN E, DAY M, et al. Advances in quantum machine learning[EB/OL].(2015)Preprintat https://arxiv.org/abs/1512.02900.
    [2] SCHULD M, SINAYSKIY I, PETRUCCIONE F. An introduction to quantum machine learning[J]. Contemporary Physics, 2014, 56(2):172-185. http://smartsearch.nstl.gov.cn/paper_detail.html?id=c0dc5c1e70a3eeddc52404578e746c38
    [3] HUANG Y M, LEI H, LI X Y. A survey on quantum machine learning[J]. Chinese Journal of Computers, 2018, 41(1):145-163. http://en.cnki.com.cn/Article_en/CJFDTotal-JSJX201801009.htm
    [4] WANG S H, LONG G L. Big data and quantum computation[J]. Chinese Science Bulletin, 2015 (5): 499-508. http://en.cnki.com.cn/Article_en/CJFDTotal-JXTW2015Z1013.htm
    [5] GAO Q, ZHANG F L, WANG R J, et al. Trajectory Big Data: A Review of Key Technologies in Data Processing[J]. Journal of Software, 2017, 28(4):959-992. http://www.zhangqiaokeyan.com/academic-journal-cn_journal-software_thesis/0201242694633.html
    [6] AïMEUR E, BRASSARD G, GAMBS S. Machine learning in a quantum world[J]. Lecture Notes in Computer Science, 2006, 4013:431-442. http://cn.bing.com/academic/profile?id=db37d9627255d9fc7c88701c9ad7429a&encoded=0&v=paper_preview&mkt=zh-cn
    [7] LLOYD S, MOHSENI M, REBENTROST P. Quantum algorithms for supervised and unsupervised machine learning.[EB/OL]. (2013) Preprint at https://arxiv.org/abs/1307.0411v2.
    [8] REBENTROST P, MOHSENI M, LLOYD S. Quantum support vector machine for big data classification[J]. Physical review letters, 2014, 113(13): 130503. doi: 10.1103/PhysRevLett.113.130503
    [9] WIEBE N, KAPOOR A, SVORE K. Quantum algorithms for nearest-neighbor methods for supervised and unsupervised learning[J]. Quantum Information & Computation, 2014, 15(3):318-358. doi: 10.5555/2871393.2871400
    [10] LI Z, LIU X, XU N, et al. Experimental realization of a quantum support vector machine[J]. Physical Review Letters, 2015, 114(14):140504. doi: 10.1103/PhysRevLett.114.140504
    [11] SILVA A S, OLIVEIRA W R, LUDERMIR T B.Classical and superposed learning for quantum weightless neural networks[J]. Neurocomputing, 2012, 75(1):52-60. doi: 10.1016/j.neucom.2011.03.055
    [12] SCHULD M, SINAYSKIY I, PETRUCCIONE F. The quest for a quantum neural network[J]. Quantum Information Processing, 2014, 13(11):2567-2586. doi: 10.1007/s11128-014-0809-8
    [13] PUDENZ K L, LIDAR D A. Quantum adiabatic machine learning[J]. Quantum Information Processing, 2013, 12(5):2027-2070. doi: 10.1007/s11128-012-0506-4
    [14] CAI X D, WU D, SU Z E, et al. Entanglement-based machine learning on a quantum computer[J]. Physical Review Letters, 2014, 114(11):110504. http://cn.bing.com/academic/profile?id=7f81c4a39bdbd306b792ca624379bf16&encoded=0&v=paper_preview&mkt=zh-cn
    [15] AïMEUR E, BRASSARD G, GAMBS S. Quantum clusteringalgorithms[C]// Proc of the 24th international conferenceon machine learning, New York: [s.n.] 2007: 1-8.
  • 加载中
图(5)
计量
  • 文章访问数:  258
  • HTML全文浏览量:  137
  • PDF下载量:  40
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-11-05
  • 修回日期:  2019-12-17

目录

    /

    返回文章
    返回