公开(公告)号：CN118761478B

公开(公告)日：2024-11-12

申请号：CN202411245125.0

申请日：2024-09-06

Applicant: 南京邮电大学

Inventor： 李汀 ,  李澳星

IPC: G06N10/20 ,  G06N20/00 ,  G06F17/16 ,  G06F18/214 ,  G06F18/241 ,  G06F18/213

Abstract: 本发明公开了一种提升量子机器学习模型泛化性能的方法，属于数据分类技术领域，该方法扩展了以往使用固定的Pauli算符作为测量算子的局限，提出通过优化可观测量来完成量子机器学习模型设计的新方法，该方法主要涉及两步优化，首先通过求解二次规划寻找适合于采样后小型数据集的集合，该步骤的思想类似于经典机器学习的范数最小化，以此来提高模型的泛化性能；其次将该集合的特征值构建为测量算子在训练集上完成针对门电路参数的优化，从而进一步提升模型的性能。最后，通过pennylane上的实验仿真以及在IBM真实量子计算机上的测试，验证了本发明的可行性。本发明为量子机器学习模型的设计提供了新的思路，有望推进该领域的发展。

公开(公告)号：CN118761478A

公开(公告)日：2024-10-11

申请号：CN202411245125.0

申请日：2024-09-06

Applicant: 南京邮电大学

Inventor： 李汀 ,  李澳星

IPC: G06N10/20 ,  G06N20/00 ,  G06F17/16 ,  G06F18/214 ,  G06F18/241 ,  G06F18/213

Abstract: 本发明公开了一种提升量子机器学习模型泛化性能的方法，属于数据分类技术领域，该方法扩展了以往使用固定的Pauli算符作为测量算子的局限，提出通过优化可观测量来完成量子机器学习模型设计的新方法，该方法主要涉及两步优化，首先通过求解二次规划寻找适合于采样后小型数据集的集合，该步骤的思想类似于经典机器学习的范数最小化，以此来提高模型的泛化性能；其次将该集合的特征值构建为测量算子在训练集上完成针对门电路参数的优化，从而进一步提升模型的性能。最后，通过pennylane上的实验仿真以及在IBM真实量子计算机上的测试，验证了本发明的可行性。本发明为量子机器学习模型的设计提供了新的思路，有望推进该领域的发展。