量子科技中心_量科网

聚类是机器学习中最基础的任务之一，而k均值聚类算法可能是应用最广泛的聚类算法。然而，该算法存在若干局限性，例如对质心初始化的敏感性、难以捕捉非线性结构，以及在高维空间中表现欠佳。近期研究虽提出了改进的初始化策略和量子辅助距离计算方法，但其相似性度量本质上仍沿袭经典方式。本研究提出一种量子增强型k均值算法，通过将欧氏距离替换为由量子态特征映射内积衍生的量子核函数。基于鸢尾花数据集，研究团队采用包括纠缠SU2和ZZ线路在内的多种量子特征映射，将经典数据嵌入到更高维的希尔伯特空间，从而使聚类结构更具可分性。该研究还将使用乳腺癌数据集进行验证，数据点间的相似性通过两个量子态的内积计算。实验结果表明：相较于经典算法，该方法在NISQ时代可行的浅层线路条件下，不仅提升了聚类稳定性，还获得了具有竞争力的准确率——SU2特征映射在鸢尾花数据集上达到88.6%的准确率，在乳腺癌数据集上达到91.0%。这些发现表明，量子核函数能提供比传统距离度量更丰富的相似性表征，为NISQ时代实现更稳健的无监督学习开辟了新路径。