一个由德国、韩国、南非科学家组成的研究团队,提出了一种用于量子计算中机器学习分类的新方法。该方法的量子二元分类器中的非线性量子内核为提高量子机器学习的准确性提供了新的见解,被认为能够胜过当前的AI技术。该最新研究结果论文发表在《自然》杂志所属的“量子信息”分刊上。
研究小组提出了一种基于量子态保真度的量子分类器,该量子分类器使用了不同的初始状态并将阿达马分类(Hadamard classification)替换为交换测试。与常规方法不同,该方法有望在训练数据集较小时通过利用在大特征空间中发现非线性特征的量子优势来显着增强分类任务。
量子机器学习有望成为量子计算的必要应用之一。在机器学习中,广泛应用的一个基本问题是分类,这是识别带标签的训练数据中的模式,以便将标签分配给以前未见过的新数据的任务。内核方法已经成为识别复杂数据中非线性关系的宝贵分类工具。
在机器学习中,内核方法(kernel method)是一类用于模式分析的算法。因为使用了内核函数,故此名。内核函数使它们能够在高维隐式特征空间中进行操作,而无需计算该空间中数据的坐标,而是通过简单地计算图像内部图像之间的内积。
内核方法模式分析的一般任务是查找和研究数据集中的一般关系类型。内核方法仅需要用户指定的内核,即成对的相似度函数原始表示形式的数据点数。
最近,内核方法已成功引入量子机器学习。量子计算机有效访问和操纵量子特征空间中数据的能力可以为量子技术打开机会,以增强各种现有的机器学习方法。
带有非线性核的分类算法的思想是,在给定量子测试状态的情况下,该协议通过交换测试电路并随后进行两个单量子位测量来计算量子并行中量子数据的保真度的加权功率。无论数据大小如何,这仅需要少量的量子数据操作。这种方法的新颖之处在于,可以将标记的训练数据密集地打包成量子状态,然后将其与测试数据进行比较。
研究团队通过引入具有量身定制的量子核的量子分类器,进一步推进了快速发展的量子机器学习领域。输入数据可以由经典数据通过量子特征图表示,也可以由固有量子数据表示,并且分类基于核函数,该核函数测量测试数据与训练数据的接近度,这使其成为现实应用的极佳候选者。
研究人员表示,量子分叉(quantum forking)是团队先前发明的一种技术,即使所有标记的训练数据和测试数据都独立编码在单独的量子比特中,它也可以从头开始协议。“两个量子态的状态保真度包括了概率振幅的虚部,从而可以使用整个量子特征空间。”
通过实际地实施了分类器,并使用了通过云服务免费提供给公共用户的五位量子比特的IBM量子计算机比较了经典模拟,验证了该分类协议的有效性。研究人员指出,这为正在发展的量子计算机器学习提供了一个有希望的分类新方法。
参考:Quantum classifier with tailored quantum kernel, npj Quantum Information (2020). DOI: 10.1038/s41534-020-0272-6