自用华为ICT云赛道AI第五章知识点-量子机器学习

量子机器学习

经典机器学习

量子机器学习概述

• 那么量子计算为什么适合做机器学习任务呢？首先就是量子比特的叠加性和纠缠性，他能给我们提供指数级别的操作空间和操作速度提升。量子系统天然适用于线性代数运算，而且都是并行的，特别是矩阵运算啊，距离估计啊等等，都是非常快速的。从理论上，人们也开发出了一些可以在量子系统中实现的算法，例如线性方程组求解算法HHL和一些基于此的主成分分析啊、支持向量机啊，搜索算法啊等等。这里有一张表格，分别说明了这些算法相对于经典算法有多少的复杂度优势。但有一个问题是，这些算法所需要的的比特数非常多，对量子操作的精度要求相当高，我们当前还没有办法实现。那么在当前阶段我们就需要经典计算机来进行辅助，所以就有了量子-经典混合架构的量子神经网络，并利用经典机器学习框架，例如MindSpore，来对网络进行学习。也就是我们MindSpore Quantum所擅长的。

量子机器学习优势

• 利用量子计算中的量子态叠加和纠缠等特性，多个量子比特可以表示更复杂的态或实现更复杂的操作，从而实现量子加速。
• 量子系统更适合于线性代数运算（高维向量的距离估计）
• 具有多项式或者指数加速的量子算法：HHL，量子PCA，量子SVM，Grover搜索等等
• NISQ阶段需要量子-经典混合架构，利用经典机器学习来控制量子线路中的参数

鸢尾花分类算法