[发明专利]基于机器学习框架的二分类方法及相关装置

说明书

本发明公开了一种基于机器学习框架的二分类方法及相关装置，该机器学习框架包括量子模块和经典模块，本发明通过调用量子模块构建量子计算层，调用经典模块构建经典全连接层，调用经典模块将量子计算层与经典全连接层进行连接，得到二分类机器学习模型。该二分类机器学习模型中的量子计算层用于通过从输入数据中提取局部特征，利用量子计算中量子叠加的性质，可以减少比特等资源的占用，提高计算效率；经典全连接层用于通过局部特征对输入数据进行分类，利用经典全连接层“分类器”的作用实现了根据局部特征进行二分类。量子与经典的有机结合，在减少计算资源占用率的同时，扩大了二分类机器学习模型的应用范围。

技术领域

本发明属于量子计算技术领域，特别是涉及一种基于机器学习框架的二分类方法及相关装置。

背景技术

经典的机器学习彻底改变了人工智能的许多子领域，并取得了重大成功。近年来，随着信息时代的到来，机器学习得到了迅速的发展。电子数据量的快速增长导致了机器学习模型的训练数据的大量增加。与此同时，电子计算机计算能力的迅速发展，特别是以图形处理单元（GPU）为代表的一系列新型电子计算设备的出现，使得机器学习模型的大规模训练成为现实。因此，机器学习已经大大超越了之前的传统算法，并在许多领域得到了广泛的应用。机器学习在数字图像分类、手写字符识别、视频分析等领域的表现已经达到或超过了人类。

然而，随着样本数量和特征数量的增大，经典的二分类机器学习模型会非常占用计算资源，一定程度上限制了其应用范围。量子计算的发展为解决该问题带来了曙光，如能将量子计算与经典机器学习相结合，利用量子计算机远超经典计算机的效率，结合大数据时代快速发展的机器学习算法，将进一步提高了大数据的处理能力。因此，如何实现量子二分类机器学习模型是一个需要解决的技术问题。

发明内容

本发明的目的是提供一种基于机器学习框架的二分类方法及相关装置，旨在减少进行二分类机器学习时计算资源的占用率。

本发明的一个实施例提供了一种基于机器学习框架的二分类方法，所述机器学习框架包括量子模块和经典模块，所述方法包括：

调用所述量子模块构建量子计算层，调用所述经典模块构建经典全连接层，以及调用所述经典模块将所述量子计算层与所述经典全连接层进行连接，得到二分类机器学习模型，所述量子计算层用于从输入数据中提取局部特征，所述经典全连接层用于通过所述局部特征对所述输入数据进行二分类；

将待分类数据作为所述输入数据输入所述二分类机器学习模型，得到所述待分类数据的分类结果。

可选的，所述量子计算层包括级联的数据编码量子线路、可变分量子线路和测量量子线路，所述量子模块包括量子逻辑门子模块和量子测量子模块，所述量子逻辑门子模块包括量子态编码逻辑门单元和量子态演化逻辑门单元，所述调用所述量子模块构建量子计算层，包括：

调用所述量子态编码逻辑门单元创建所述数据编码量子线路，所述数据编码量子线路用于将所述输入数据编码至量子比特的量子态；

调用所述量子态演化逻辑门单元创建所述可变分量子线路，所述可变分量子线路用于将所述量子比特的量子态演化至目标量子态；

调用所述量子测量子模块创建所述测量量子线路，所述测量量子线路用于测量得到所述量子比特的目标量子态，所述目标量子态用于表示所述局部特征。

可选的，所述数据编码量子线路包括P个量子比特，所述调用所述量子态演化逻辑门单元创建所述可变分量子线路，包括：

调用所述量子态演化逻辑门单元创建局部特征提取逻辑门；

将所述局部特征提取逻辑门作用所述P个量子比特上，得到可变分量子线路。

可选的，所述将所述局部特征提取逻辑门作用所述P个量子比特上，得到可变分量子线路，包括：