[发明专利]一种混合式框架下的量子隐马尔可夫算法的方法

说明书

本发明公开了一种混合式框架下(经典算法和量子算法的结合)的量子隐马尔可夫算法的方法，包括训练步骤，包括：S01：构建包括T个非酉Kraus算符分解模块的量子线路，所述量子线路为量子隐马尔可夫算法转化而成的极大似然函数的量子实现；S03：根据已知的一组T个非酉Kraus算符，通过经典机器学习算法调整T个非酉Kraus算符分解模块中U门的参数，直到每个模块分解而成的四个酉算符的线性组合逼近非酉Kraus算符；S05：通过量子线路计算极大似然函数，通过计算结果给出新的一组T个非酉Kraus算符；S07：循环S03和S05，直到极大似然函数取得极小值。本发明提升量子隐马尔可夫参数求解适用范围和效率。

技术领域

本发明涉及一种混合式框架下的量子隐马尔可夫算法的方法。

背景技术

在大数据时代背景下，传统机器学习已经难以处理和分析这种呈爆炸式增长的数据量，为了适应新时代的需求，不少研究机构及大型IT公司都开始进行量子计算相关的研究。量子计算利用量子比特对数据进行操作，利用量子比特的叠加性和纠缠性实现并行运算，这使得量子计算比经典计算拥有更强的的数据存储和处理能力。量子计算作为一种新兴技术，在计算加速上有着不可估量的前景。

隐马尔可夫在机器学习领域中有着重要的地位，是一类重要的统计学习模型，适用于和时间序列有关的研究，在股市行情预测、手写识别、语音识别、计算生物学和纵向数据分析等众多领域取得了良好的效果。近年来，人们开始将量子计算相关理论应用在隐马尔可夫模型上，希望通过量子计算解决经典隐马尔可夫的运算效率问题。量子隐马尔可夫和经典隐马尔可夫都是一种随机的概率图模型，因有着求解速度快和参数数量少等优点近年来而备受关注。

尽管量子隐马尔可夫模型相比于经典的隐马尔可夫模型在复杂度和精度上都有明显优势，但由于其参数{K}通常是非酉的，这对通用量子计算机来说是一个难题，导致进一步的相关研究受到了限制。因此解决通用量子计算机无法处理非酉矩阵的问题是至关重要的。

发明内容

本发明的目的在于克服现有技术的不足，提供一种混合式框架下的量子隐马尔可夫算法的方法。

本发明的目的是通过以下技术方案来实现的：

本发明的第一方面，提供一种混合式框架(经典算法和量子算法的结合)下的量子隐马尔可夫算法的方法，包括训练步骤，所述训练步骤包括：

S01：构建包括T个非酉Kraus算符分解模块的量子线路，所述量子线路为量子隐马尔可夫算法转化而成的极大似然函数的量子实现，每个非酉Kraus算符分解模块包含多个U门；

S03：根据已知的一组T个非酉Kraus算符，通过经典机器学习算法调整T个非酉Kraus算符分解模块中U门的参数，直到每个模块分解而成的四个酉算符的线性组合逼近非酉Kraus算符；

S05：通过量子线路计算极大似然函数，通过计算结果给出新的一组T个非酉Kraus算符；

S07：循环S03和S05，直到极大似然函数取得极小值，以该次的量子线路作为训练结果；

所述量子隐马尔可夫模型观测序列为股市行情走势、手写识别、语音识别、计算生物学中的其中一种。

进一步地，所述非酉Kraus算符分解模块，包括：

在q0控制比特和q1控制比特分别连接一个Hadamard门，得到输入波函数；

之后，在q2辅助比特依次交错连接7个U门与7个CNOT门构成，7个CNOT门分别与q1控制比特、q0控制比特、q1控制比特、q1控制比特、q0控制比特、q1控制比特、q0控制比特连接，得到中间非酉Kraus算符分解矩阵，中间非酉Kraus算符分解矩阵为对角矩阵；

最后在q0和q1控制比特分别连接一个Hadamard门，用于将4个酉算符相加，得到线路末端R矩阵。