新型量子内核助力机器学习分类

一支由德国、韩国及南非科学家组成的国际团队，近期开发出一种创新的量子机器学习分类方法。这一方法通过在量子二元分类器中集成非线性量子内核，不仅提高了分类的精确度，还展示了超越现有AI技术的潜力。这项研究成果已发表于《自然·量子信息》期刊。

研究团队提出了一种基于量子态保真度的分类器模型，该模型采用不同的初始化状态，并用交换测试替换了传统的阿达马分类法。这种方法特别适用于小规模训练数据集，通过利用量子系统在高维特征空间中处理非线性特征的优势，显著增强了分类任务的效果。

量子机器学习被视为量子计算的重要应用之一。在机器学习领域，分类问题是一项基础且广泛的任务，涉及从已标记的训练数据中识别模式，进而对未知数据进行标签分配。内核方法作为一类有效的模式分析工具，已被证明在处理复杂数据的非线性关系方面具有显著优势。

内核方法是一种利用内核函数在高维空间中进行模式分析的技术，无需直接计算高维空间中的数据坐标，而是通过计算数据点间的内积来实现。这种技术仅需用户提供成对数据点的相似度函数即可完成模式分析任务。

近年来，内核方法被成功应用于量子机器学习中。量子计算机能够高效地访问和操作量子特征空间中的数据，这为提升传统机器学习方法提供了新的可能。具体而言，通过交换测试电路并执行两次单量子位测量，该分类算法能够计算量子数据的保真度权重，不论数据量大小，仅需少量的量子操作即可完成。

研究团队通过引入定制化的量子内核，进一步推动了量子机器学习领域的发展。无论是经典数据还是量子数据，都可以通过量子特征映射表示，并基于核函数进行分类，核函数用于衡量测试数据与训练数据之间的相似度，这使得该方法在实际应用中具有很高的可行性。

团队成员指出，量子分叉技术是他们之前的一项发明，即使所有标记的训练数据和测试数据都分别编码在不同的量子比特中，也能有效地执行分类协议。这一技术充分利用了量子态的全部特性，包括概率振幅的虚部，从而能够利用整个量子特征空间。

为了验证这一分类器的有效性，研究人员在IBM提供的五量子比特云平台上进行了实验，将其实现并与经典模拟进行了对比。结果显示，该分类协议具有良好的性能，为量子计算在机器学习领域的应用提供了新的可能性。

参考资料：Quantum classifier with tailored quantum kernel, npj Quantum Information (2020). DOI: 10.1038/s41534-020-0272-6