基于量子计算的分类和聚类算法综述

赵超; 牛伟纳; 杨俊闯

Chinese

您当前的位置：

首页 >

文章列表页 >

基于量子计算的分类和聚类算法综述

更新时间：2026-09-04

- 基于量子计算的分类和聚类算法综述
- A survey on quantum classification and clustering algorithms
- 微电子学与计算机 2020年37卷第8期页码：1-5
- 作者机构：
  
  1. 河北工程大学机构信息与电气工程学院,河北,邯郸,056038
  2. 四川大学网络空间安全学院,四川,成都,610207
- 作者简介：
- 基金信息：
  
  国家自然科学基金项目 61902262河北省高等学校科学技术研究项目 QN2018109邯郸市科学技术研究与发展计划项目 19422031008-15
- DOI：
  中图分类号：
- 纸质出版：2020
- 稿件说明：
移动端阅览
赵超, 牛伟纳, 杨俊闯. 基于量子计算的分类和聚类算法综述[J]. 微电子学与计算机, 2020, 37(8): 1-5.

ZHAO Chao, NIU Wei-na, YANG Jun-chuang. A survey on quantum classification and clustering algorithms[J]. 2020, 37(8): 1-5.
赵超, 牛伟纳, 杨俊闯. 基于量子计算的分类和聚类算法综述[J]. 微电子学与计算机, 2020, 37(8): 1-5. DOI：

ZHAO Chao, NIU Wei-na, YANG Jun-chuang. A survey on quantum classification and clustering algorithms[J]. 2020, 37(8): 1-5. DOI：

摘要

越来越多的研究表明，借助量子计算技术可以提高有监督分类算法和无监督聚类算法的计算效率，甚至是学习精度.通常采用的方法有：基于量子理论将经典信息转换为量子态的形式存储起来，用量子态来表示所有样本；以量子态之间的距离替代样本数据之间的经典距离，形成新的相似度来度量样本数据间的相似性等.通过理论和模拟验证表明，量子计算可以实现对经典机器学习算法的加速.最后，总结了量子机器学习技术的优势和目前所存在的问题，并展望了未来该领域的发展趋势.

Abstract

A lot of work shows that quantum computing can speed up supervised and unsupervised learning algorithms

even improving the performance of these algorithms. Usually the following methods are used: based on quantum theory

it encodes classical information into quantum state

and then represents all of samples in dataset by one or several quantum states; It quantifies the similarity of two samples by measuring the distance between the quantum states through a quantum algorithm. The theoretical and simulation results show that quantum computation can accelerate classical machine learning algorithms. Finally

it summarizes the advantages of quantum machine learning technology and the existing problems

and looks forward to the future development trend of this field.

关键词

Keywords

references

LI Z, LIU X, XU N, et al. Experimental realization of a quantum support vector machine[J]. Physical Review Letters, 2015, 114(14):140504. DOI: 140504

REBENTROST P, MOHSENI M, LLOYD S. Quantum support vector machine for big data classification[J]. Physical review letters, 2014, 113(13): 130503. DOI: 130503

AïMEUR E, BRASSARD G, GAMBS S. Quantum clusteringalgorithms[C]// Proc of the 24th international conferenceon machine learning, New York: [s.n.] 2007: 1-8.

SILVA A S, OLIVEIRA W R, LUDERMIR T B.Classical and superposed learning for quantum weightless neural networks[J]. Neurocomputing, 2012, 75(1):52-60. DOI: 52

SCHULD M, SINAYSKIY I, PETRUCCIONE F. The quest for a quantum neural network[J]. Quantum Information Processing, 2014, 13(11):2567-2586. DOI: 2567

PUDENZ K L, LIDAR D A. Quantum adiabatic machine learning[J]. Quantum Information Processing, 2013, 12(5):2027-2070. DOI: 2027

WANG S H, LONG G L. Big data and quantum computation[J]. Chinese Science Bulletin, 2015 (5): 499-508. DOI: 499

GAO Q, ZHANG F L, WANG R J, et al. Trajectory Big Data: A Review of Key Technologies in Data Processing[J]. Journal of Software, 2017, 28(4):959-992. DOI: 959

HUANG Y M, LEI H, LI X Y. A survey on quantum machine learning[J]. Chinese Journal of Computers, 2018, 41(1):145-163. DOI: 145

WIEBE N, KAPOOR A, SVORE K. Quantum algorithms for nearest-neighbor methods for supervised and unsupervised learning[J]. Quantum Information % Computation, 2014, 15(3):318-358. DOI: 318

CAI X D, WU D, SU Z E, et al. Entanglement-based machine learning on a quantum computer[J]. Physical Review Letters, 2014, 114(11):110504. DOI: 110504

AïMEUR E, BRASSARD G, GAMBS S. Machine learning in a quantum world[J]. Lecture Notes in Computer Science, 2006, 4013:431-442. DOI: 431

SCHULD M, SINAYSKIY I, PETRUCCIONE F. An introduction to quantum machine learning[J]. Contemporary Physics, 2014, 56(2):172-185. DOI: 172

浏览量

169

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于计算机视觉的电子元器件表面缺陷检测综述

混沌和柯西变异的蝗虫优化算法及特征选择

融合特征选择的Android恶意逃避攻击研究

面向不平衡数据分类的高维超球体过采样方法

一种多X值输入下测试覆盖率损失的预测方法