[论文解读] Quantum computing for pattern classification

Maria Schuld, Ilya Sinayskiy+1 more|arXiv (Cornell University)|Dec 11, 2014

Quantum Computing Algorithms and Architecture参考文献 26被引用 5

一句话总结

本文提出了一种基于Trugenberger量子汉明距离计算的量子模式分类算法，利用叠加态与振幅放大技术，通过距离加权k近邻方法对二值特征向量进行分类。该方法实现了具有内在不确定性量化的概率分类，在模糊情形（如手写数字识别中'9'被误认为'0'）下表现优越，相较于经典k近邻算法，能为模糊输入提供更均衡的输出分布。

ABSTRACT

It is well known that for certain tasks, quantum computing outperforms classical computing. A growing number of contributions try to use this advantage in order to improve or extend classical machine learning algorithms by methods of quantum information theory. This paper gives a brief introduction into quantum machine learning using the example of pattern classification. We introduce a quantum pattern classification algorithm that draws on Trugenberger's proposal for measuring the Hamming distance on a quantum computer (CA Trugenberger, Phys Rev Let 87, 2001) and discuss its advantages using handwritten digit recognition as from the MNIST database.

研究动机与目标

• 探索通过利用量子并行性与叠加态在模式分类中实现量子优势。
• 解决经典k近邻在处理模糊输入（如外观类似多个类别的手写数字）时的局限性。
• 开发一种量子算法，通过概率测量自然地整合距离加权与不确定性估计。
• 通过MNIST数据集证明量子机器学习在现实世界分类任务中的可行性。

提出的方法

• 该算法将训练数据与测试数据编码为叠加态中的量子态，使用量子比特表示二值特征向量。
• 采用Trugenberger的量子子程序，在叠加态中同时计算输入向量与所有训练向量之间的汉明距离。
• 基于计算出的汉明距离施加受控旋转，使类别标签与距离信息纠缠。
• 使用振幅放大技术增强测量最相关邻居的概率，从而有效实现距离加权k近邻。
• 最终测量结果在类别上产生概率输出分布，反映输入与每个训练类别的接近程度。
• 该算法的时间复杂度为O(T P n)，其中T为精度阈值，P为训练样本数，若能高效准备叠加态，则复杂度可能与P无关。

实验结果

研究问题

• RQ1 与经典方法相比，量子计算是否能在模式分类任务中提供速度提升或优势？
• RQ2 量子算法如何自然地在分类中整合距离加权与不确定性量化？
• RQ3 该量子k近邻分类器在模糊输入（如手写数字）上的表现如何？
• RQ4 量子模式分类是否能在输入模糊性鲁棒性方面超越经典k近邻？
• RQ5 在近场量子硬件上实现此类算法的实际限制与可扩展性前景如何？

主要发现

• 当采用基于简单汉明距离的方法时，该量子模式分类算法在100个二值化MNIST数字的测试集上实现了约50%的分类准确率，与经典k近邻相当。
• 该算法产生反映输入模糊性的概率输出分布，例如一个与'0'和'9'同样接近的手写'9'，会导致两类的测量概率几乎相等。
• 这种概率输出提供了内在的不确定性量化，是经典确定性k近邻所不具备的特性，在模糊分类场景中具有定性优势。
• 该算法的复杂度为O(T P n)，若能实现高效的态制备或使用量子内存，则可能与P无关。
• 该方法表明，量子算法可自然地在测量过程中整合距离加权，而无需额外计算步骤。
• 模拟结果表明，引入全局相位移参数ε可略微提升分类性能，表明该量子模型具有可调性。