CN116756663B 一种基于变分量子计算的多分类方法及装置 （成都理工大学）

一种基于变分量子计算的多分类方法及装置本发明公开了一种基于变分量子计算的多用交换测试电路计算输出态和标签态之间的保练完成后通过测量输出态实现对经典数据的分2S20、将预处理后的经典数据中的特征数据采用量子振幅编码的方式编码为量子态信S40、采用swap_test电路计算变分量子电路模型其中，采用swap_test电路计算变分量子电路模型的输出态和真实的标签态之间的损基于该损失值进行反向传播迭代更新优化变分量子电路模型中2.根据权利要求1所述的基于变分量子计算的多分3.根据权利要求2所述的基于变分量子计算的多中将预处理后的经典数据中的特征数据采用量子振幅编码的方式编码为量子态信息的表4.根据权利要求3所述的基于变分量子计算的多分类方法，其36.根据权利要求5所述的基于变分量子计算的多分类方中变分量子电路模型包括多次重复的单位量子电路，其中单位量子电路由一层Y旋转门和7.根据权利要求6所述的基于变分量子计算的多8.实现如权利要求1～7任一项所述的基于变分数据输入量子电路，用于预处理待分类的经典数据并将预处数据使用量子振幅编码的方式编码至量子电路中，使经典数据转换成为量子数据得到处4[0008]S20、将预处理后的经典数据中的特征数据采用量子振幅编码的方式编码为量子5[0016]具体地，所述步骤S20中将预处理后的经典数据中的特征数据采用量子振幅编码[0019]具体地，所述步骤S20中将分类标签数据编码为二进制多粒子态形式的标签态包位量子电路由一层Y旋转门和一层CX纠缠门操作交替组成，重复次数根据输入态对应的数[0026]在swap_test电路中配置一个辅助粒子，通过对该辅助粒子的单粒子测量获得对[0027]具体地，所述步骤S40中基于该损失值进行反向传播迭代更新优化变分量子电路[0029]使用基于一阶梯度的随机目标函数优化器Adam持续优化该目标函数使保真度最[0030]具体地，所述步骤S60中测量变分量子电路模型的输出态时最大概率得到的状态6处理，同时使用二进制编码和角度编码的方式将分类标签数据编码至多粒子态的量子态[0036]本发明在将经典数据编码为量子数据的同时巧妙地使用不同的多粒子态表示每分类的准确度提高，相比其他方法有效地解决了在量子多分类场景中产生的决策边界问[0039]图3为本发明实施例中采用的swapt用于预处理待分类的经典数据并将预处理后的经典数据中的特征数据使用量子振幅编码7发明由于将真实标签转换成了多粒子态进行表示，因此使用swap_test电路输出真实标签[0054]1.假设输入态1表示预测标签|φ>predict，输入态8测量得到|0>的概率为：2N为整数；9[0074]该基于变分量子计算的多分类方法可以实现图片数据的分类又不仅限于图片数以计算出真实标签和输出态之间的损失值，进行反向传播更新变分量子电路模型中的参示，准确率达到96.5另外采用CIFAR_10图片数据集进行测试，八分类的准确率可达classificationusingquantumconvolutionalneuralnetworkswithhybridquantum_classicallearning[J].FrontiersinPhysics,2022,10:1173.提供了一种基于QCNN架构的量子多分类器，参考文献[2]ChalumuriA,KuneR,ManojBS.Ahybridclassical_quantumapproachformulti_classclassification[J].QuantumInformationProcessing,2021,20(3):119.提供了一种基于混合经典_量子方法的多分类[0088]可见本发明方法在MNIST手写数字数据集和CIFAR_10图片数据集上获得了更高的