量子信息科學家介紹了一種用于量子計算中機器學習分類的新方法。量子二元分類器中的非線性量子內(nèi)核為提高量子機器學習的準確性提供了新的見解，被認為能夠勝過當前的AI技術(shù)。

由電氣工程學院的June-Koo Kevin Rhee教授領(lǐng)導的研究小組提出了一種基于量子態(tài)保真度的量子分類器，該量子分類器使用了不同的初始狀態(tài)并將Hadamard分類替換為交換測試。與常規(guī)方法不同，該方法有望在訓練數(shù)據(jù)集較小時通過利用在大特征空間中發(fā)現(xiàn)非線性特征的量子優(yōu)勢來顯著增強分類任務(wù)。

量子機器學習有望成為量子計算的必不可少的應(yīng)用之一。在機器學習中，廣泛應(yīng)用的一個基本問題是分類，這是識別帶標簽的訓練數(shù)據(jù)中的模式以便將標簽分配給以前未見過的新數(shù)據(jù)的任務(wù)。核方法已經(jīng)成為識別復雜數(shù)據(jù)中非線性關(guān)系的寶貴分類工具。

最近，內(nèi)核方法已成功引入量子機器學習。量子計算機有效訪問和處理量子特征空間中數(shù)據(jù)的能力可以為量子技術(shù)打開機會，以增強各種現(xiàn)有的機器學習方法。

帶有非線性核的分類算法的思想是，在給定量子測試狀態(tài)的情況下，協(xié)議通過交換測試電路并隨后進行兩個單量子位測量來計算量子并行中量子數(shù)據(jù)的保真度的加權(quán)功率和(參見圖2)。 1)。無論數(shù)據(jù)大小如何，這僅需要少量的量子數(shù)據(jù)操作。這種方法的新穎性在于，可以將標記的訓練數(shù)據(jù)密集地打包成量子狀態(tài)，然后與測試數(shù)據(jù)進行比較。

KAIST團隊與南非夸祖魯-納塔爾大學(UKZN)和德國數(shù)據(jù)控制論的研究人員合作，通過引入具有量身定制的量子核的量子分類器，進一步推進了快速發(fā)展的量子機器學習領(lǐng)域。

輸入數(shù)據(jù)可以通過量子特征圖由經(jīng)典數(shù)據(jù)表示，也可以由固有量子數(shù)據(jù)表示，并且分類基于核函數(shù)，該核函數(shù)測量測試數(shù)據(jù)與訓練數(shù)據(jù)的接近度。

這項研究的主要作者之一，KAIST的Daniel Park博士說，量子核可以系統(tǒng)地定制為任意功率之和，這使其成為現(xiàn)實應(yīng)用的極佳候選者。

Rhee教授說，量子分叉是團隊先前發(fā)明的一種技術(shù)，即使所有標記的訓練數(shù)據(jù)和測試數(shù)據(jù)都獨立編碼在單獨的qubit中，它也可以從頭開始協(xié)議。

UKZN的Francesco Petruccione教授解釋說：“兩個量子態(tài)的狀態(tài)保真度包括概率振幅的虛部，從而可以利用整個量子特征空間。”

為了證明分類協(xié)議的有效性，Data Cyber??netics的Carsten Blank實施了分類器，并使用五位數(shù)的IBM量子計算機(通過云服務(wù)免費提供給公共用戶)比較了經(jīng)典模擬。“這是該領(lǐng)域正在發(fā)展的一個有希望的信號，”布蘭克指出。