量子科技中心_量科网

本文提出了一种新型量子K近邻（QKNN）算法，该算法通过引入量子计算（QC）技术，在分类精度、可扩展性和鲁棒性方面优于经典的k-NN技术。该算法提出的改进主要集中在优化量子数据编码，使用Hadamard门和旋转门，确保经典数据在量子态中的更有效表示。此外，通过使用IsingXY和CNOT等纠缠门，量子特征提取过程得到了显著增强，从而实现了更好的特征交互和类别可分性。研究团队引入了一种基于交换测试的新型量子距离度量方法，用于计算不同量子态之间的相似性，与传统欧几里得距离度量相比，提供了更高的精度和计算效率。该工作评估了所提出的QKNN算法在三个基准数据集（威斯康星乳腺癌、鸢尾花和银行票据认证）上的表现，并发现其性能优于经典k-NN（CKNN）和量子神经网络（QNN）。所提出的QKNN算法在这三个数据集上的预测精度分别为98.25%、100%和99.27%，而定制QNN的预测精度仅为97.17%、83.33%和86.18%。此外，研究团队通过引入基于重复编码的错误缓解策略，解决了量子噪声的挑战，确保了算法在噪声量子环境中的稳定性和鲁棒性。研究结果凸显了所提出的QKNN作为一种可扩展、高效且鲁棒的量子增强机器学习算法的潜力，尤其是在传统方法经常失效的高维和复杂数据集中。