[发明专利]K-Nearst-Neighbor量子线路实现方法

说明书

本发明涉及一种K‑Nearst‑Neighbor量子线路实现方法，属于量子算法仿真领域。本发明结合量子线路编辑和经典KNN算法的基本思想，构造了量子KNN线路；将待检测样本放在量子计算网络第一寄存器中，训练集存入第二寄存器，并准备一位辅助位量子态|0在第三寄存器中,通过量子受控非门、泡利门对样本和训练集进行运算，并统计Hamming距离，根据Hamming距离更改辅助量子位，对KNN类别进行测量。本发明量子信息处理表现出的并行性将是经典计算能力无法比拟的。同时，经典量子混合计算架构也符合当前量子人工智能领域的发展趋势，使得本发明具有科研前沿性和创新性。

技术领域

本发明属于量子算法仿真领域，具体涉及一种K-Nearst-Neighbor量子线路实现方法。

背景技术

当下，量子计算信息技术正处在从基础研究走向应用探索的关键时期。量子计算从计算方式上根本改变现有计算机的冯诺伊曼机架构，能够带来计算能力指数级别的提升，而量子计算和人工智能的结合并不是随性偶遇或是强行撮合，一方面指运用传统机器学习技术，可以帮助量子物理学家去处理很多复杂的量子物理数据分析；另一方面，运用量子计算技术可以推动机器学习的发展。为了突破现有算力的局限性，量子人工智能可谓是强强联合，并被视为新的突破点。

K最邻近法KNN算法的核心思想是，如果一个样本在特征空间中的K个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。KNN方法在类别决策时，只与极少量的相邻样本有关。由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。

量子KNN算法不再能适用欧式距离描述待分类点与分类中心之间的距离，而改用Hamming距离来描述两点距离。Hamming距离定义为计算两个长度相等的位向量的对应符号不同的位置数。例如：Hamming距离:0110与0001的距离为3，Hamming距离:0110与1110的距离为1。虽然在KNN下这样使用Hamming距离有违常识，利用预定hash函数将自然向量映射到位向量，使得Hamming空间下的KNN分类器性能可以与复杂的判别分类器(包括支持向量机和神经网络)相竞争。在量子机器KNN算法中，将目标的特征映射到Hi lbert空间中的基态量子态，则通过计算这些态之间的Hamming距离可以更容易地选择测试样本的k个最近邻，从而避免了一般操作中的一些耗时操作，进一步提高了量子态计算性能。

本专利意在提供一种基于量子受控非门、泡利门的K-Nearst-Neighbor量子线路实现方法。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是如何提供一种K-Nearst-Neighbor量子线路实现方法，以解决KNN算法的量子线路实现问题。

(二)技术方案

为了解决上述技术问题，本发明提出一种K-Nearst-Neighbor量子线路实现方法，该方法包括如下步骤：

S1、输入待检测样本，将待检测样本的特征向量存储为量子位向量|X，同时将训练集的特征向量|V^p以及对应的分类标签C^p∈{1,…,L}构造成训练集|Τ；

S2、将待检测样本放在量子计算网络第一寄存器中，训练集存入第二寄存器，并准备一位辅助位量子态|0在第三寄存器中，三个寄存器的量子线路状态共同组成了初始量子态

S3、通过受控非门CNOT网络进行|X与|V^p的区别位计算，计算结果记为将第一寄存器中数据更换供后续计算，三个寄存器的量子线路状态共同组成了量子态