检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

量子机器学习综述

软件学报 2024年第8期35卷 3843-3877页

作者：王健张蕊姜楠智能交通数据安全与隐私保护技术北京市重点实验室(北京交通大学) 北京100044 北京工业大学信息学部北京100124

近年来,机器学习一直是被关注和探讨的研究热点,被应用到各领域并在其中起着重要作用.但随着数据量的不断增加,机器学习算法训练时间越来越长.与此同时,量子计算机表现出强大的运算能力.因此,有研究人员尝试用量子计算的方法解决机器学... 详细信息

近年来,机器学习一直是被关注和探讨的研究热点,被应用到各领域并在其中起着重要作用.但随着数据量的不断增加,机器学习算法训练时间越来越长.与此同时,量子计算机表现出强大的运算能力.因此,有研究人员尝试用量子计算的方法解决机器学习训练时间长的问题,量子机器学习这一领域应运而生.量子主成分分析、量子支持向量机、量子深度学习等量子机器学习算法相继被提出,并有实验证明了量子机器学习算法有显著的加速效果,使得量子机器学习的研究展现出逐步走高的趋势.对量子机器学习算法进行综述.首先介绍量子计算基础;然后对量子监督学习、量子无监督学习、量子半监督学习、量子强化学习以及量子深度学习5类量子机器学习算法进行介绍;接着对量子机器学习的相关应用进行介绍并给出了算法实验;最后进行总结和展望.

关键词：量子机器学习量子计算机器学习量子深度学习量子实验

在线全文

学校读者我要写书评

暂无评论

量子态制备及其在量子机器学习中的前景

物理学报 2021年第14期70卷 88-96页

作者：赵健陈昭昀庄希宁薛程吴玉椿郭国平中国科学技术大学中国科学院量子信息重点实验室合肥230026 合肥综合性国家科学中心人工智能研究院合肥230088 合肥本源量子计算科技有限责任公司合肥230026

经典计算机的运算能力依赖于芯片单位面积上晶体管的数量,其发展符合摩尔定律.未来随着晶体管的间距接近工艺制造的物理极限,经典计算机的运算能力将面临发展瓶颈.另一方面,机器学习的发展对计算机的运算能力的需求却快速增长,计算机的... 详细信息

经典计算机的运算能力依赖于芯片单位面积上晶体管的数量,其发展符合摩尔定律.未来随着晶体管的间距接近工艺制造的物理极限,经典计算机的运算能力将面临发展瓶颈.另一方面,机器学习的发展对计算机的运算能力的需求却快速增长,计算机的运算能力和需求之间的矛盾日益突出.量子计算作为一种新的计算模式,比起经典计算,在一些特定算法上有着指数加速的能力,有望给机器学习提供足够的计算能力.用量子计算来处理机器学习任务时,首要的一个基本问题就是如何将经典数据有效地在量子体系中表示出来.这个问题称为态制备问题.本文回顾态制备的相关工作,介绍目前提出的多种态制备方案,描述这些方案的实现过程,总结并分析了这些方案的复杂度.最后对态制备这个方向的研究工作做了一些展望.

关键词：态制备量子机器学习编码

在线全文

学校读者我要写书评

暂无评论

基于自旋体系的量子机器学习实验进展

物理学报 2021年第14期70卷 62-75页

作者：田宇林子栋王翔宇车良宇鲁大为南方科技大学物理系深圳518055

机器学习因其在模式识别等问题上的优势已经被广泛应用到各个研究领域,然而其运算能力在一定程度上受到经典计算机算力的制约.近年来,随着量子技术的高速发展,量子计算加速的机器学习在诸多量子体系中进行了初步实验验证,并在某些特定... 详细信息

机器学习因其在模式识别等问题上的优势已经被广泛应用到各个研究领域,然而其运算能力在一定程度上受到经典计算机算力的制约.近年来,随着量子技术的高速发展,量子计算加速的机器学习在诸多量子体系中进行了初步实验验证,并在某些特定问题上展示出了超越经典算法的优势.本文主要介绍两类典型的自旋体系-核磁共振体系和金刚石氮空位色心体系,并回顾近年来量子机器学习在这两类体系上的一些代表性实验工作.

关键词：量子机器学习自旋体系核磁共振氮空位色心

在线全文

学校读者我要写书评

暂无评论

量子机器学习在催化化学研究中的应用

分子催化 2023年第1期37卷 63-72,I0003,I0004页

作者：钱波中国科学院兰州化学物理研究所羰基合成与选择氧化国家重点实验室甘肃兰州730000

量子机器学习融合了量子化学与机器学习的优点,具有比传统密度泛函理论更快的计算速度和更高的准确性.量子机器学习可为复杂、多维、多尺度的催化化学提供更智能和有效的研究方式,通过训练可靠的数据及建立合理的模型和算法,快速、准确... 详细信息

量子机器学习融合了量子化学与机器学习的优点,具有比传统密度泛函理论更快的计算速度和更高的准确性.量子机器学习可为复杂、多维、多尺度的催化化学提供更智能和有效的研究方式,通过训练可靠的数据及建立合理的模型和算法,快速、准确地预测最优的催化剂设计参数、最佳的催化剂材料的合成方法和反应条件、以及催化剂结构和性能之间的关系.作者就量子机器学习应用于催化材料的设计、催化反应性能和催化反应机理三方面的发展趋势进行了概述.

关键词：量子机器学习催化材料设计催化反应性能催化反应机理

大数据环境下量子机器学习的研究进展及发展趋势

在线全文

学校读者我要写书评

暂无评论

电子科技大学学报 2021年第6期50卷 802-819页

作者：张仕斌黄曦昌燕闫丽丽程稳成都信息工程大学网络空间安全学院成都610225 先进密码技术与系统安全四川省重点实验室成都610225

复杂性是大数据区别于传统数据的根本所在,大数据的复杂性必然带来不确定性,如何高效、安全、准确地处理大数据所具有的复杂性和不确定性问题已经成为实现大数据知识发现的前提和关键。该文分析了目前大数据环境下不确定性集合理论和大... 详细信息

复杂性是大数据区别于传统数据的根本所在,大数据的复杂性必然带来不确定性,如何高效、安全、准确地处理大数据所具有的复杂性和不确定性问题已经成为实现大数据知识发现的前提和关键。该文分析了目前大数据环境下不确定性集合理论和大数据计算与分析方法、机器学习、量子计算及量子机器学习的研究现状和不足,展望了未来的发展趋势,指出在即将来临的“大数据+人工智能+量子计算”时代,将“大数据+不确定性集合理论+机器学习+量子计算”交叉融合研究既有理论和现实意义,又有实用价值,也必将成为智慧化时代大数据领域的研究热点。

关键词：大数据机器学习量子计算量子机器学习不确定性集合理论

量子机器学习与人工智能的实现——基于可计算性与计算复杂性的哲学分析

在线全文

学校读者我要写书评

暂无评论

科学技术哲学研究 2019年第6期36卷 32-36页

作者：王凯宁山西大学科学技术哲学研究中心

量子机器学习是量子计算与机器学习交叉形成的新研究方向,其主要目标是利用量子特性实现对传统机器学习算法的加速。目前已经出现了不少有实际应用价值的量子机器学习算法,这些算法能通过降低计算的复杂性程度,在一些特定领域实现弱人... 详细信息

量子机器学习是量子计算与机器学习交叉形成的新研究方向,其主要目标是利用量子特性实现对传统机器学习算法的加速。目前已经出现了不少有实际应用价值的量子机器学习算法,这些算法能通过降低计算的复杂性程度,在一些特定领域实现弱人工智能。从可计算性的视角来看,量子机器学习能完成非决定性计算,在理论上可以实现对意识结果的模拟,从而为强人工智能提供支持。

关键词：量子机器学习人工智能量子计算可计算性计算复杂性

在线全文

学校读者我要写书评

暂无评论

量子机器学习分类算法研究

量子机器学习分类算法研究

作者：魏贺沈阳航空航天大学

学位级别：硕士

量子计算结合机器学习形成一个新领域——量子机器学习,其分类算法在各领域的实际应用中展现出了巨大的潜力和优势。其中,量子K最近邻(Quantum K-Nearest Neighbor,QKNN)算法和变分量子神经网络(Variational Quantum Neural Network,VQ... 详细信息

量子计算结合机器学习形成一个新领域——量子机器学习,其分类算法在各领域的实际应用中展现出了巨大的潜力和优势。其中,量子K最近邻(Quantum K-Nearest Neighbor,QKNN)算法和变分量子神经网络(Variational Quantum Neural Network,VQNN)算法被广泛研究应用,但现有算法的分类性能还有待提高,因此本文对QKNN算法和VQNN算法的分类性能进行研究。本文基于QKNN分类算法提出了一个优化的量子K最近邻(Optimized Quantum K Nearest Neighbors,OQKNN)分类模型。首先,使用幅度编码方式将经典数据编码为量子态;然后,使用Swap Test量子子程序计算量子态之间的相似度并构成解空间N,使用量子粒子群算法搜索解空间N中的M个较大相似度,形成一个更小的解空间M,使用Grover算法在空间M中搜寻距离最近的K个已标注样本;最终确定待测样本类别,完成分类。通过理论分析,本文所提出的OQKNN模型具有缩小解空间,加快搜索速度的优势,并且具有较低的空间复杂度。本文使用OQKNN分类模型结合量子同态加密算法,实现量子云服务器中的密文分类。首先使用量子同态加密方法对数据进行加密形成密文,然后对密文使用OQKNN进行分类。在明文和密文两种情况下,使用IBM Qiskit实验平台对Swap Test量子子程序和Grover Optim量子子程序进行模拟。结果表明,面向密文的OQKNN分类算法能够在量子云计算环境下实施准确的分类计算。为了提高变分量子神经网络分类算法的性能,本文提出了一种改进的变分量子神经网络(Improved Variational Quantum Neural Network,IVQNN)分类模型。该模型结合量子编码线路和两种变分量子线路,来提高模型的精确度和准确度。本文基于KDD CUP99数据集进行模型训练和测试,并使用Tensor Flow Quantum实验平台和Adam优化器进行仿真模拟。实验结果表明,此模型性能有一定的提高,同时将此模型与其他机器学习分类模型进行对比,实验结果显示,此模型优于其他模型,具有更高的准确度与精确度,分别为96.88%和99.77%。

关键词：量子机器学习分类算法量子K最近邻算法密文分类变分量子神经网络

量子机器学习：量子谱聚类算法与抗噪量子分类器

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

量子机器学习：量子谱聚类算法与抗噪量子分类器

作者：李清钰电子科技大学

学位级别：硕士

量子计算是遵循量子力学原理,利用量子系统进行计算的模型。区别于遵循经典力学的经典计算,量子计算有着独有的特性,例如量子叠加和纠缠。在特定问题上,量子算法相比于经典算法有着量子优势,可以显著地降低求解问题的复杂度。机器学习... 详细信息

量子计算是遵循量子力学原理,利用量子系统进行计算的模型。区别于遵循经典力学的经典计算,量子计算有着独有的特性,例如量子叠加和纠缠。在特定问题上,量子算法相比于经典算法有着量子优势,可以显著地降低求解问题的复杂度。机器学习领域近年来大放异彩,在诸多方面都体现了强大的能力,目前流行的机器学习算法特别是深度学习的复杂度随着问题规模的增加而快速增加。量子机器学习是利用量子计算的优势加速机器学习算法的速度,降低算法复杂度。目前,该领域已经取得了丰富的成果。本文主要提出了两种不同的量子机器学习算法,量子谱聚类算法与量子自适应提升分类算法,分别对应于非监督与监督学习领域。首先,量子谱聚类算法利用量子计算机能够高效求解特征问题的特点,加速了经典谱聚类算法中求解过程,使其在算法复杂度上获得了一个显著的加速。具体来讲,我将量子相位估计算法嵌入到量子搜索算法作为求解特征问题的核心。同时,我改进了算法输入的初始态使得算法能够确定性而非概率性求解特征问题。其次,我给出了量子搜索算法中Oracle的量子线路具体设计,其可以有效地在量子计算机上运行。为了验证量子谱聚类算法的可行性,我利用数值仿真计算模拟出量子谱聚类算法在两个常见的聚类基准测试中的表现,同时与经典的k-means算法进行了比较。结果显示,量子谱聚类算法可以有效地解决聚类问题。量子谱聚类算法整体复杂度为O（（?）N5/2-poly（log N）d4）,而经典算法复杂度为O（kN3）。量子谱聚类算法能有效地运行在容错量子计算机上,降低谱聚类算法的复杂度。目前,量子计算的发展还远未达到容错量子计算的阶段,现有的量子计算机都是含噪中型量子设备。针对该类设备,在我的第二个工作中,我基于变分量子算法提出了量子自适应提升分类算法。该算法利用集成学习的思想,将多个不具备分类能力的浅层变分量子线路,通过加法模型提升为量子强分类器。同时,由于浅层线路的特性显著降低了在优化过程中的复杂度,也减少了量子门噪声在线路中的累积。通过加法模型构建的量子强分类器进一步增强了分类器的对于误差的鲁棒性。为了展示量子自适应提升分类算法的能力,我利用数值仿真方法模拟了该分类算法在两个不同的任务上的表现,分别是经典数据的手写数字识别问题,以及量子数据的两体量子纠缠态判定问题。实验结果证明,在有无量子噪声环境下,我的分类器均优于对照组的量子分类算法,并且随着噪声的增加,相对优势会进一步扩大。本论文提出的两个量子机器学习算法分别着眼于解决非监督和监督问题。其中,量子谱聚类算法相比于经典算法有着显著加速能够高效解决聚类问题,而量子自适应提升分类器相比于同类算法,结构简单,准确率高,并且能更好地抵御噪声。这两个算法丰富了量子机器学习算法模型,为后续更深入地研究提供了新的方向和方法。

关键词：量子机器学习量子谱聚类算法量子自适应提升分类器

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

量子机器学习在时序性金融领域的研究

量子机器学习在时序性金融领域的研究

作者：卢俊邑电子科技大学

学位级别：硕士

随着人工智能的不断发展,各个领域都将人工智能视作未来发展的重要技术,作为人工智能的重要方法,机器学习算法更是在不同的实际场景中展现出强大的模型优势,尤其是在数据量巨大的金融领域。在金融领域中,股票价格走势预测问题作为一种... 详细信息

随着人工智能的不断发展,各个领域都将人工智能视作未来发展的重要技术,作为人工智能的重要方法,机器学习算法更是在不同的实际场景中展现出强大的模型优势,尤其是在数据量巨大的金融领域。在金融领域中,股票价格走势预测问题作为一种特殊的时序性问题,其数据量大、影响因素复杂的特点,使得机器学习模型在处理这类问题时就因为其算法优势受到了众多研究者的关注。但日益复杂的数据类型、不断增多的数据量以及模型参数都是经典机器学习算法和经典计算机所必须面临的挑战。近年来量子计算机和量子机器学习不断发展,使这一问题有了新的解决思路。通过量子机器学习,可以使用相比经典计算机大大减少的量子比特数目来完成对海量金融数据的编码,与此同时也可以大大减少了机器学习算法中的参数数量,另外量子计算机独特的计算方式使得运算在时间和空间的维度上显得更加高效,这些优势都让量子机器学习在时序性金融领域中的应用成为可能。在本文中,将量子机器学习算法运用于股票价格走势预测中,完成了如下工作:1.针对现有量子隐马尔科夫模型只能处理离散数据的不足,提出了专门针对股票价格数据走势情况的数据离散化并提取特征的方法,其中包括均匀离散化以及运用高斯混合模型和MVTF(Mean and Variance To Feature)模型进行离散化并提取数据特征的方法。2.根据股票价格的数据特点,使用历史数据对三种不同的模型预测不同的股票价格走势进行对比并操作,并提出了按照模型预测进行买入卖出操作后最终的资金Fc'作为衡量模型预测效果的重要指标。3.基于1和2提出的方法以及量子机器学习模型框架,设计了一套完整的、符合量子计算规则的量子隐马尔科夫模型,并将该算法运用于实际的时序性金融股票市场,证明了该算法模型在时序性金融领域的可行性。4.根据上海证券交易所和深圳证券交易所在一段时间内的总计15支股票的价格走势数据,使用3提出的量子隐马尔科夫模型对股票价格进行预测,比较了不同算法模型下预测不同股票的走势情况。通过历史数据,计算出每支股票最终的Fc'指标,并对比了量子机器学习和经典机器学习的预测准确情况,以及两者在模型结构、参数类型以及资源消耗等方面的差异,证明了量子机器学习在时序性金融领域中的优势。

关键词：量子机器学习量子隐马尔科夫股票价格走势预测