第六章量子机器学习
第六章 量子机器学习
6.1量子K-means算法 聚类算法是无监督学习算法中较为重要的一类。以 最普遍使用的k-means算法为例，该算法以距离的远 近作为样本相似性指标，即两个样本的距离越近相似 程度就越高。当遇到海量样本数据时，k-means算法存 在时间开销较大的缺点
6.1 量子 K-means 算法 聚类算法是无监督学习算法中较为重要的一类。以 最普遍使用的 k-means 算法为例，该算法以距离的远 近作为样本相似性指标，即两个样本的距离越近相似 程度就越高。当遇到海量样本数据时，k-means 算法存 在时间开销较大的缺点
Lloyd等人于2013年提出了量子版最近中心算法。量子 最近中心算法可视为经典k-means聚类算法的子过程， 使用该方法可对经典算法进行指数级提速。 Quantum algorithms for supervised and unsupervised machine learning Seth Lloyd,3,Masoud Mohseni2,Patrick Rebentrost 1.Massachusetts Institute of Technology,Research Laboratory for Electronics 2.Google Research 3.To whom correspondence should be addressed:slloyd@mit.edu
Lloyd 等人于 2013 年提出了量子版最近中心算法 。量子 最近中心算法可视为经典 k-means 聚类算法的子过程， 使用该方法可对经典算法进行指数级提速
量子最近中心算法的核心思想是对实向量间的距离作 比较，通过寻找向量u与集合{v}中的哪个量的距 离最近，从而不断分类，进而不断自动获得聚类结果， argminu-m'·∑v
量子最近中心算法的核心思想是对实向量间的距离作 比较，通过寻找向量 u 与集合 {v} 中的哪个量的距 离最近，从而不断分类，进而不断自动获得聚类结果
步骤 (1)将实向量u=(4o,41,,4n) 转换成量子 态W〉，从而将向量的距离比较转换成量子态间 的距离比较。 ）= u
步骤 （1）将实向量 转换成量子 态 ，从而将向量的距离比较转换成量子态间 的距离比较
(2)定义纠缠态p〉和p) 时-方0+2 =方o后2n 为归一化系数 |〉为c簇的第j个向量，m为样本总数
（2）定义纠缠态 和 为归一化系数 为 c 簇的第 j 个向量，m 为样本总数
(3)这两个量子态的距离为D,=V2K1z 通过如下图中的controlled-SWAP电路实现 〉 〉
（3）这两个量子态的距离为 通过 如下图中的controlled-SWAP 电路实现
1o>- 入 1) 1〉 图中H代表Hadamard门，电路使能与否由第一个量子比 特控制，即电路最上面的量子线对应的是控制比特，下面的 两个量子线对应的是受控量子比特。controlled-SWAP电路 作用于输入量子态p〉和p〉后，得到 21o1++l(o-》
图中 H 代表 Hadamard 门，电路使能与否由第一个量子比 特控制，即电路最上面的量子线对应的是控制比特，下面的 两个量子线对应的是受控量子比特。controlled-SWAP 电路 作用于输入量子态 和 后，得到
对第一位量子比特进行测量，得0的概率为 p(+2K1 则 K1p)=2P(Io)-1
对第一位量子比特进行测量，得 0 的概率为 则
k-means算法中初始点的选择十分重要，好的初始点将极大 地缩短迭代次数。初始点选择的是否足够好，评判的一个标 准是，需要尽可能将初始点稀疏分布于整个样本空间中，即 各点之间距离尽可能大。为了优化初始点，Ioyd使用量子 绝热演化算法来实现k-means-++算法最优初始点的选择。其 基本思想为，首先初始化Hamiltonian量
k-means 算法中初始点的选择十分重要，好的初始点将极大 地缩短迭代次数。初始点选择的是否足够好，评判的一个标 准是，需要尽可能将初始点稀疏分布于整个样本空间中，即 各点之间距离尽可能大。为了优化初始点，Lloyd 使用量子 绝热演化算法来实现 k-means++算法最优初始点的选择。其 基本思想为，首先初始化 Hamiltonian 量