一种量子特征增强的机器学习方法、系统、平台及存储介质与流程
本发明属于量子计算与机器学习交叉,具体涉及一种量子特征增强的机器学习方法、系统、平台及存储介质。
背景技术:
1、量子机器学习在近期量子计算机上受到广泛关注,其潜在应用包括计算机视觉、自然语言处理及复杂动力学建模。传统量子机器学习通常采用参数化量子电路或量子动力学对经典数据进行编码,并借助经典优化与反馈控制寻找量子处理器的合适参数以完成学习任务。
2、然而,近期量子计算机在没有量子纠错的情况下不可避免地存在噪声。噪声对量子机器学习的影响尤为显著:成功的量子机器学习算法依赖对参数梯度的准确估计,而噪声使梯度估计变得模糊;尤其当量子比特数增大时,参数梯度的平均值呈指数级减小,真实梯度信息被噪声掩盖,导致量子学习算法训练失效。这一现象也称为噪声诱导的贫瘠高原。另一方面,当变分参数数量较多时,量子计算机的反馈控制时间显著延长,需要逐个估计参数梯度,阻碍了使用具有大量变分参数的量子机器学习模型。
3、为规避上述障碍,量子储层计算与量子超限学习机被提出。其核心区别在于不对量子变分参数进行主动训练,而是将量子系统用作对数据进行表示的物理储层,所有训练参数位于经典机器学习模型中。量子储层计算具有若干实际优势:无需对量子系统进行精细调谐;仅训练输出权重矩阵,避免贫瘠高原问题;无需梯度评估,具有节能优势。
4、然而,现有量子储层计算与量子超限学习机方案仍存在技术不足,首先,现有方案通常将量子观测表示直接交由线性ridge回归或l2正则逻辑回归等线性读出模型处理。线性读出模型在有限样本、强相关量子观测量、统一正则化惩罚的条件下,无法充分提取量子表示中的非线性可读出性。ridge解不会执行显式块选择,而是在相关特征之间分摊权重,并用一个全局正则化参数同时控制有用和无用方向;新增特征即使总体无效,也会改变有限样本协方差、验证集正则选择和预测方差。因此,“下游模型可以自动忽略无增益特征”仅是渐近直觉,并非当前有限样本设计的保证。其次,若直接引入任意强经典模型替代线性读出,虽可提高表达能力,但将破坏量子特征生成与后端训练的解耦关系。量子特征块无法缓存复用,训练成本显著上升;同时,强经典模型可能绕过量子分支直接从原始输入完成任务,导致量子特征的实际贡献无法归因。
5、还有,量子观测表示中不同特征分量之间的乘性交互、跨分支交互以及逐特征的非线性再标定关系,在线性读出下无法被充分表达。量子观测表示本身已经完成一次非线性升维,但线性ridge或逻辑回归未必能充分读出其中的再标定关系与观测交互。并且,随着量子块数k增大,随机投影qelm覆盖更多输入方向并产生更丰富的量子观测表示,线性读出的表达力随之增强,轻量后端用于补充非线性可读出性的空间逐渐缩小。后端增益随k非单调变化,需要一种能够在训练/验证边界内选择后端结构与容量的机制。
6、因此,针对上述所存在的技术缺陷问题,急需设计和开发一种量子特征增强的机器学习方法、系统、平台及存储介质。
技术实现思路
1、为克服上述现有技术存在的不足及困难,本发明之目的在于提供一种量子特征增强的机器学习方法、系统、平台及存储介质,以实现既能保持量子特征映射冻结、量子块可缓存复用,又能在冻结量子表示之后引入受预算约束的经典非线性变换,再以正则线性读出完成训练。
2、本发明的第一目的在于提供一种量子特征增强的机器学习方法;本发明的第二目的在于提供一种量子特征增强的机器学习系统;本发明的第三目的在于提供一种量子特征增强的机器学习平台;本发明的第四目的在于提供一种计算机可读取存储介质。
3、本发明的第一目的是这样实现的,所述方法包括如下步骤:
4、生成并获取输入数据,并通过量子特征映射生成与所述输入数据相对应的量子观测表示;
5、对所述量子观测表示施加经典非线性变换,生成增强表示;并基于所述增强表示优化读出模型的权重;其中,所述经典非线性变换的容量由预设约束条件限定。
6、进一步地,所述经典非线性变换的输入选自以下之一:所述量子观测表示;所述输入数据的原始特征表示;所述原始特征表示与所述量子观测表示的拼接表示;所述原始特征表示与所述量子观测表示的显式交互表示;
7、所述经典非线性变换包括逐特征非线性变换和联合非线性变换中的至少之一;其中,所述逐特征非线性变换对所述量子观测表示中的各特征分量独立施加非线性基函数展开;所述联合非线性变换在所述量子观测表示的各特征分量之间构建乘性交互项。
8、进一步地,所述逐特征非线性变换包括基于三个节点的三次b样条基函数展开;其中,所述三个节点基于训练数据的分位数确定;
9、所述联合非线性变换包括固定低秩二次草图;其中,所述固定低秩二次草图的投影矩阵在训练前固定,仅所述正则线性读出模型的权重被优化。
10、进一步地,所述固定低秩二次草图的投影矩阵的支撑集被限制在以下之一:所述原始特征表示内部、所述量子观测表示内部、所述原始特征表示与所述量子观测表示之间、或其组合;其中,所述正则线性读出模型包括ridge回归模型或l2正则逻辑回归模型。
11、进一步地,所述量子特征映射对所述输入数据的各样本从所述预定初始态重新制备所述量子寄存器;其中,所述量子寄存器的量子态在所述输入数据的各样本之间独立;
12、所述控制参数包括所述量子寄存器中量子比特的失谐量、拉比频率、相位、位置中的至少之一;
13、所述量子寄存器包括多个量子比特;其中,所述多个量子比特在演化期间构成相互作用的量子系统;
14、所述量子观测表示包括单量子比特泡利观测值、双量子比特相关观测值或其组合;
15、所述多个量子比特为中性原子,所述中性原子被布置于光镊阵列中。
16、进一步地,所述通过量子特征映射生成与所述输入数据相对应的量子观测表示,还包括:
17、利用多个投影矩阵分别将所述输入数据的原始特征表示投影为多个控制向量;
18、对于各所述控制向量,将所述量子寄存器制备至所述预定初始态,在由该控制向量调制的哈密顿量下演化,测量得到对应的量子观测子集;
19、将多个所述量子观测子集拼接处理,生成相对应的所述量子观测表示。
20、进一步地,所述方法还包括:
21、在验证数据集上比较所述正则线性读出模型与替代读出模型的性能,并根据比较结果选择所述经典非线性变换的结构或所述预设约束条件;
22、将所述量子观测表示与所述量子特征映射的参数关联地存储于缓存,并根据所述量子特征映射的参数未变更,复用所述缓存中的量子观测表示。
23、本发明的第二目的是这样实现的,所述系统用于实现所述的量子特征增强的机器学习方法,所述系统包括:
24、获取生成单元,用于生成并获取输入数据,并通过量子特征映射生成与所述输入数据相对应的量子观测表示;
25、变换生成单元,用于对所述量子观测表示施加经典非线性变换,生成增强表示;并基于所述增强表示优化读出模型的权重;其中,所述经典非线性变换的容量由预设约束条件限定。
26、进一步地,所述经典非线性变换的输入选自以下之一:所述量子观测表示;所述输入数据的原始特征表示;所述原始特征表示与所述量子观测表示的拼接表示;所述原始特征表示与所述量子观测表示的显式交互表示;
27、所述经典非线性变换包括逐特征非线性变换和联合非线性变换中的至少之一;其中,所述逐特征非线性变换对所述量子观测表示中的各特征分量独立施加非线性基函数展开;所述联合非线性变换在所述量子观测表示的各特征分量之间构建乘性交互项。
28、所述逐特征非线性变换包括基于三个节点的三次b样条基函数展开;其中,所述三个节点基于训练数据的分位数确定;
29、所述联合非线性变换包括固定低秩二次草图;其中,所述固定低秩二次草图的投影矩阵在训练前固定,仅所述正则线性读出模型的权重被优化。
30、所述固定低秩二次草图的投影矩阵的支撑集被限制在以下之一:所述原始特征表示内部、所述量子观测表示内部、所述原始特征表示与所述量子观测表示之间、或其组合;其中,所述正则线性读出模型包括ridge回归模型或l2正则逻辑回归模型。
31、所述量子特征映射对所述输入数据的各样本从所述预定初始态重新制备所述量子寄存器;其中,所述量子寄存器的量子态在所述输入数据的各样本之间独立;
32、所述控制参数包括所述量子寄存器中量子比特的失谐量、拉比频率、相位、位置中的至少之一;
33、所述量子寄存器包括多个量子比特;其中,所述多个量子比特在演化期间构成相互作用的量子系统;
34、所述量子观测表示包括单量子比特泡利观测值、双量子比特相关观测值或其组合;
35、所述多个量子比特为中性原子,所述中性原子被布置于光镊阵列中。
36、进一步地,所述获取生成单元,还包括:
37、投影模块,用于利用多个投影矩阵分别将所述输入数据的原始特征表示投影为多个控制向量;
38、测量模块,用于对于各所述控制向量,将所述量子寄存器制备至所述预定初始态,在由该控制向量调制的哈密顿量下演化,测量得到对应的量子观测子集;
39、拼接模块,用于将多个所述量子观测子集拼接处理,生成相对应的所述量子观测表示。
40、和/或,所述系统还包括:
41、比较模块,用于在验证数据集上比较所述正则线性读出模型与替代读出模型的性能,并根据比较结果选择所述经典非线性变换的结构或所述预设约束条件;
42、复用模块,用于将所述量子观测表示与所述量子特征映射的参数关联地存储于缓存,并根据所述量子特征映射的参数未变更,复用所述缓存中的量子观测表示。
43、本发明的第三目的是这样实现的:所述平台包括处理器、存储器以及量子特征增强的机器学习平台控制程序;其中,所述量子特征增强的机器学习平台控制程序被存储在所述存储器中,当所述处理器执行所述量子特征增强的机器学习平台控制程序时,实现所述的量子特征增强的机器学习方法。
44、本发明的第四目的是这样实现的:所述计算机可读取存储介质存储有计算机程序或指令;所述计算机程序或指令包括量子特征增强的机器学习平台控制程序,当所述量子特征增强的机器学习平台控制程序被执行时,实现所述的量子特征增强的机器学习方法。
45、本发明方案通过方法生成并获取输入数据,并通过量子特征映射生成与所述输入数据相对应的量子观测表示;其中,所述量子特征映射包括根据所述输入数据确定控制参数,将量子寄存器制备至预定初始态,在由所述控制参数调制的哈密顿量下使所述量子寄存器演化预设时长,测量所述量子寄存器生成所述量子观测表示;所述量子特征映射的参数在训练期间固定;然后,对所述量子观测表示施加经典非线性变换,生成增强表示;并基于所述增强表示优化正则线性读出模型的权重;其中,所述经典非线性变换的容量由预设约束条件限定;以及与所述方法相对应的系统、平台及存储介质,可以解决现有量子储层计算与量子超限学习机中线性读出无法充分提取量子表示中的非线性可读出性、而直接引入强经典模型又破坏量子特征生成与后端训练解耦的技术问题。
46、也就是说,本发明通过将量子特征映射的参数在训练期间固定,并在冻结的量子观测表示之后引入容量由预设约束条件限定的经典非线性变换,再以正则线性读出模型完成权重优化,从而在保持量子特征生成与后端训练解耦、量子特征块可缓存复用的前提下,提升了冻结量子表示相对传统线性读出的非线性可读出性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com