量子科技中心_量科网

在这项工作中，研究人员探究了将量子电路用作二分类模型在量子机器学习中的应用，并将该模型称为二值量子分类器。首先，介绍了量子计算的基本概念，并阐述了所使用的计算工具：Qibo，这是一个用于高效量子模拟和量子硬件控制的开源框架。随后，描述了如何通过展示在电路中输入数据、定义具有可训练参数的量子电路模型Ansatz和损失函数，以及实现多个最小化器，来设计用于图像和小型变量阵列分类的二值量子分类器。该团队使用两个数据集测试了量子分类器。第一个数据集是MNIST数据集，由手写数字组成（为进行二分类，仅保留手写数字0和1）。通过增加Ansatz的层数，研究了不同最小化器的行为。第二个数据集代表了在LHC（欧洲核子研究中心）等对撞机上可能发生的两种不同高能碰撞。由于存在实时质子-质子相互作用（即堆积效应），研究人员区分了两种数据集：“无堆积”和“有堆积”。这些碰撞可以用32x32大小的图像或六个高级变量（称为特征）来表示。通过增加训练数据集的大小和Ansatz的层数，寻找最佳最小化器。将数据集划分为训练集和测试集后，计算了ROC曲线、AUC分数、混淆矩阵和测试集准确率。对于“有堆积”图像，将量子分类器获得的结果与一个小型卷积神经网络进行了比较。研究结论是，利用量子电路构建二值量子分类器是可行的，并突出了其与经典技术相比的性能表现与局限性。