量子科技中心_量科网

最优路径森林是一种基于图的框架，用于设计利用样本间连通性的分类器。其中一种特定变体通过基于训练数据的最小生成树计算原型来构建决策边界，这对于大规模数据集而言可能变得难以承受。在此背景下，量子机器学习已成为克服组合问题高计算负担的一种有前景的方法。该团队提出了一种量子启发式方法，用于最优路径森林分类器中的原型选择，该方法将最小生成树问题重新表述为多项式无约束二元优化任务，并进一步采用基于反馈的量子优化算法进行哈密顿量最小化。该多项式无约束二元优化表述减少了对量子比特的需求，并消除了辅助变量的需要，从而解决了当前量子硬件中的可扩展性限制。在真实世界数据集上的实验表明，基于反馈的量子优化优化的最小生成树在保持原型质量的同时，其准确率与经典普里姆算法相当。尽管基于反馈的量子优化偶尔会陷入局部最小值，但这并未显著影响原型选择过程的准确率。