量子退火与机器学习（1）：少量数据求解未知QUBO矩阵，以少见多

---

---

前言

主要是来自大関真之教授的直播课程: 【実践的量子ソリューション創出論・量子力学B・合同補講】第4回: 量子アニーリングによるブラックボックス最適化を実装する【東北大学全学教育・東北大学工学部】
这篇主要讲，怎么用少量数据去推定QUBO矩阵，然后迭代求解未知函数的方法。牵涉的知识如下：

• QUBO建模
• 压缩感知算法(Compressed Sensing)
• 稀疏建模(Sparse Modeling)
• ISTA算法(iterative shrinkage thresholding algorithm:软阈值迭代算法)

---

ー、复习QUBO：中药配伍的复杂性

提示：仅用公式进行问题描述，太难懂了，就举个例子，不用深究。

中药讲究配伍，即不同药材组合在一起能产生比单一药材更好的疗效，并且能减少副作用。但是，中药材之间的相互作用非常复杂，哪些药材组合在一起能更好地降血压、哪些药材组合会产生不良反应，这些都很难通过传统方式（例如人工经验）进行高效筛选。

1.QUBO 的介入：寻找最佳药材组合

QUBO 是一种数学优化技术，它特别适用于解决组合优化问题。我们可以将中药配伍问题转化为 QUBO 问题，然后利用量子退火或经典计算方法来寻找最佳的药材组合。

QUBO 如何应用于降血压中药配伍：

1. 定义二进制变量：

   • $$对于每一种可能用于降血压的中药材（比如，黄芪、决明子、菊花、钩藤、杜仲等），我们都定义一个二进制变量x_i。$$
   • $$如果x_i=1，则表示在最终的配伍中包含这种药材；如果x_i=0，则表示不包含这种药材。$$

2. 构建目标函数（成本函数）：

   • 目标函数需要反映出我们希望达成的疗效的综合打分，例如：
     • 疗效最大化： 包含能有效降低血压的药材组合。我们可以根据现有研究或实验数据，赋予每个药材一个 “降压能力” 的权重，然后尽可能选择权重高的药材组合。
     • 副作用最小化： 避免产生不良反应的药材组合。可以根据文献或实验数据，赋予每个药材一个 “副作用” 的权重，然后尽可能避免选择副作用权重高的药材组合。
     • 协同作用最大化： 鼓励选择有协同增效作用的药材组合。可以使用药材之间相互作用的实验数据来计算协同作用，并将其纳入目标函数。
   • 因此，目标函数会是这样的形式：
     $$E=\underset{对角元素}{\underbrace{\sum _i(Q_{ii}\ast x_i{x}_i)}}+\underset{上角元素}{\underbrace{\sum _{i,j(i<j)}(Q_{ij}\ast x_i{x}_j)}}$$
     • $$x_i是二进制变量，表示是否使用第i种药材。$$
     • $$Q_{ii}代表第i种药材的个体权重(例如，降压能力、副作用)。$$