融合黎曼流量子学习ChOA算法的三维航迹规划

针对传统方法的不足,提出一种融合黎曼流量子学习黑猩猩优化算法的三维航迹规划方法。为提高黑猩猩算法的寻优精度,引入非线性收敛因子均衡算法全局搜索与局部开发,设计自适应惯性权重提升算法全局搜索能力,融入黎曼流量子学习提高种群活跃度,避免生成局部最优解。建立三维航迹规划的约束模型和多目标代价函数,将航迹规划转化为多维函数优化问题,利用改进黑猩猩算法进行求解。实验结果表明,改进算法搜索精度更高,规划航迹能够规避所有威胁,具有更小的航迹代价。

量子学习模型——对组织中隐性知识顿悟学习的研究

组织学习理论中隐性知识的学习机制研究相当重要。针对华人文化特点对隐性知识学习进行分析,借助学习理论中顿悟心理研究基础,用量子能级跃迁作为顿悟学习飞跃的隐喻而提出量子学习模型,并结合实际分析了该模型四阶段针对隐性知识的不同学习策略。

量子机器学习综述

近年来,机器学习一直是被关注和探讨的研究热点,被应用到各领域并在其中起着重要作用.但随着数据量的不断增加,机器学习算法训练时间越来越长.与此同时,量子计算机表现出强大的运算能力.因此,有研究人员尝试用量子计算的方法解决机器学习训练时间长的问题,量子机器学习这一领域应运而生.量子主成分分析、量子支持向量机、量子深度学习等量子机器学习算法相继被提出,并有实验证明了量子机器学习算法有显著的加速效果,使得量子机器学习的研究展现出逐步走高的趋势.对量子机器学习算法进行综述.首先介绍量子计算基础;然后对量子监督学习、量子无监督学习、量子半监督学习、量子强化学习以及量子深度学习5类量子机器学习算法进行介绍;接着对量子机器学习的相关应用进行介绍并给出了算法实验;最后进行总结和展望.

量子机器学习算法研究概述

机器学习在过去几十年取得了飞速发展,并对各个领域产生了深远影响。然而,随着数据规模的扩大,传统计算机对数据的处理能力已经达到瓶颈。量子计算作为一种新型计算模式,因其独特的性质能够有效提高数据处理效率而引起广泛关注,众多研究者开始聚焦于量子计算与机器学习算法结合而成的量子机器学习算法。基于此,先介绍机器学习和量子机器学习,再分析两种方法的区别与联系,并指出了量子机器学习存在的挑战并对未来进行展望。

量子深度学习在目标检测领域的应用

量子深度学习以其并行运算优势而被引入计算机视觉,以改进目标检测任务。本文首先介绍了量子深度学习基本原理及复杂神经网络结构,概述其在图像处理、缺陷检测和自动驾驶领域的技术贡献。同时,本文指出了量子深度学习在目标检测领域目前面临的挑战,包括量子硬件资源限制、存在量子噪声、大规模数据集不足等。通过比较量子深度学习与传统深度学习的不足,本文提出了多模态融合、目标识别与分类及医学图像分析等未来发展方向,为相关领域研究提供了新的思路。

量子机器学习数据集研究

为了给量子机器学习算法的开发和测试提供数据集支撑,应着力研究量子机器学习数据集。简要介绍不同类型的数据集,详细阐述了量子机器学习数据集,分析了经典数据映射的构造方式和量子系统试验中构造两种不同的量子机器学习数据集构造方式,并以药物—靶点亲和力预测数据集的构建和实现为例呈现了一种实现量子机器学习数据集的过程,最后概述量子机器学习数据集国际标准化进展。

量子机器学习在催化化学研究中的应用

量子机器学习融合了量子化学与机器学习的优点,具有比传统密度泛函理论更快的计算速度和更高的准确性.量子机器学习可为复杂、多维、多尺度的催化化学提供更智能和有效的研究方式,通过训练可靠的数据及建立合理的模型和算法,快速、准确地预测最优的催化剂设计参数、最佳的催化剂材料的合成方法和反应条件、以及催化剂结构和性能之间的关系.作者就量子机器学习应用于催化材料的设计、催化反应性能和催化反应机理三方面的发展趋势进行了概述.

量子机器学习简介及其在特定场景中的应用

近些年来,机器学习对各行各业产生了深远影响,特别是把量子计算的特性与机器学习相结合而形成的量子机器学习,实现了对传统算法的加速.目前,量子机器学习在物理、化学、金融和生物医药等领域的应用引起了人们的极大关注.本文首先介绍了量子机器学习的基本概念和目前的前沿进展.其次以氟化氢分子为例子,利用量子机器学习计算了该分子系统的基态能量.

量子自注意力神经网络的时间序列预测

在“量子-经典”混合模式下,设计了多头量子自注意力神经网络预测模型(MQSAPN)用以进行时间序列预测,模型包括多头量子自注意力模块以及变分量子线路预测模块两部分。通过对输入数据按时间步长分别进行量子态编码以及K、Q、V的计算,借鉴已有研究使用高斯函数进行自注意力系数的估计方式,将量子自注意力特征提取后的数据再次编码到变分预测线路中,经过线路演化及测量,最终获取预测结果。完整流程与模型搭建均采用VQNet框架实现。在天气学变量的时间序列预测任务中,该模型表现出与经典多头自注意力模型预测模型以及长短期记忆单元网络模型相当的预测精度。此外,相对于同样是量子机器学习的data-reuploading变分线路而言,在近乎同等规模线路深度与参数量的前提下,表现出更高的预测精度,这也进一步验证了引入量子自注意力机制的有效性。值得指出的是,作为预测部分的变分线路会随着输入数据量的增多(如时间窗加长、特征变量规模增加等),其参数量与线路深度也会显著增加,尽管多层QSA能够较好地进行特征表达,但依然有可能因遇到“贫瘠高原”困难而成为整个网络的瓶颈。

量子模糊朴素贝叶斯分类算法

以传统朴素贝叶斯算法为基础,研究并提出一种高效、准确的量子模糊贝叶斯分类算法。首先将“模糊集合理论+朴素贝叶斯理论”交叉融合,定义模糊先验概率、模糊条件概率,将朴素贝叶斯推广至模糊朴素贝叶斯,构建模糊贝叶斯模型;其次,将“模糊贝叶斯模型+量子计算”交叉融合,将模糊数据集量子化(编码到量子态上)并设计量子线路,提出一种量子模糊朴素贝叶斯分类算法;最后,将该算法应用到鸢尾花数据集。仿真实验表明,与传统朴素贝叶斯分类算法相比,该算法具有较高的分类效率和准确率。

基于随机量子层的变分量子卷积神经网络鲁棒性研究

近年来,量子机器学习被证明与经典机器学习一样会被一个精心设计的微小扰动干扰从而造成识别准确率严重下降。目前增加模型对抗鲁棒性的方法主要有模型优化、数据优化和对抗训练。文章从模型优化角度出发,提出了一种新的方法,旨在通过将随机量子层与变分量子神经网络连接组成新的量子全连接层,与量子卷积层和量子池化层组成变分量子卷积神经网络(Variational Quantum Convolutional Neural Networks,VQCNN),来增强模型的对抗鲁棒性。文章在KDD CUP99数据集上对基于VQCNN的量子分类器进行了验证。实验结果表明,在快速梯度符号法(Fast Gradient Sign Method,FGSM)、零阶优化法(Zeroth-Order Optimization,ZOO)以及基于遗传算法的生成对抗样本的攻击下,文章提出的VQCNN模型准确率下降值分别为11.18%、15.21%和33.64%,与其它4种模型相比准确率下降值最小。证明该模型在对抗性攻击下具有更高的稳定性,其对抗鲁棒性更优秀。同时在面对基于梯度的攻击方法(FGSM和ZOO)时的准确率下降值更小,证明文章提出的VQCNN模型在面对此类攻击时更有效。

量子机器学习算法综述

机器学习在过去十几年里不断发展,并对其他领域产生了深远的影响.近几年,研究人员发现结合量子计算特性的新型机器学习算法可实现对传统算法的加速,该类成果引起了广泛的关注和研究.因此,文中对近十年的量子机器学习算法进行总结、梳理.首先,介绍了量子计算和机器学习的基本概念;其次,从四个方面分别介绍了量子机器学习,分别是量子无监督聚类算法、量子有监督分类算法、量子降维算法、量子深度学习;同时,对比分析量子机器学习算法与传统机器学习算法的区别和联系;最后,总结该领域存在的问题及挑战,并对量子机器学习未来的工作进行展望.

基于张量子空间学习的人行为识别方法

提出了一种基于张量子空间学习降维人体高维侧影数据的人行为识别方法。给定一个动作的人侧影图像序列,首先用张量子空间学习方法将目标高维侧影图像投影到低维子空间来描述人运动的时空特性,并同时尽可能地保持目标侧影图像中像素之间的空间几何信息,然后用Hausdorff距离度量动作之间的相似性,并在最近邻距离框架下对动作进行分类识别。为验证本文算法的有效性,设计了动作识别和鲁棒性测试2个实验。实验结果表明提出的算法不仅能够有效地对人行为进行识别,且具有较强的鲁棒性。

一种量子竞争学习算法

量子计算(Quantum Computation)以其独特的性能引起广泛瞩目。本文尝试将量子计算与传统的神经计算结合起来,通过设计若干个量子算子来构造Hamming神经网络的量子对照物,从而提出一种量子竞争学习算法(Quantum Competitive Learning Algorithm,QCLA),它能够实现模式分类和联想记忆。

广泛学习量子进化的含分布式电源配电网重构

在分布式发电条件下对配电网重构问题进行研究,可进一步提高系统供电的安全性与可靠性,同时有效地减小线路损耗,这对实现配电自动化,建设智能配电网有着重大作用和意义。通过对量子进化算法基本理论进行介绍并将其与广泛学习的思想相结合,提出基于广泛学习的量子进化算法,并应用于配电网优化重构。以IEEE33节点系统为例,通过仿真实验分析不同数量的DG接入电网中,系统的网损和电压变化情况。MATLAB仿真结果验证了方法的有效性。

量子态制备及其在量子机器学习中的前景

经典计算机的运算能力依赖于芯片单位面积上晶体管的数量,其发展符合摩尔定律.未来随着晶体管的间距接近工艺制造的物理极限,经典计算机的运算能力将面临发展瓶颈.另一方面,机器学习的发展对计算机的运算能力的需求却快速增长,计算机的运算能力和需求之间的矛盾日益突出.量子计算作为一种新的计算模式,比起经典计算,在一些特定算法上有着指数加速的能力,有望给机器学习提供足够的计算能力.用量子计算来处理机器学习任务时,首要的一个基本问题就是如何将经典数据有效地在量子体系中表示出来.这个问题称为态制备问题.本文回顾态制备的相关工作,介绍目前提出的多种态制备方案,描述这些方案的实现过程,总结并分析了这些方案的复杂度.最后对态制备这个方向的研究工作做了一些展望.

适用于目标跟踪的加权增量子空间学习算法

为了克服目标物外观变化给跟踪造成的困难,提出一种基于加权增量子空间学习的目标跟踪算法.该算法构造了一个可在线更新的子空间作为视频中目标物的外观模型,根据概率转移模型预测得到一组图像样本作为目标物在当前帧中可能出现的图像区域;然后将图像样本投影到该低维子空间中估计每个图像样本为目标图像区域的似然度,以具有最高似然度的样本作为目标在当前帧中的图像区域,通过加权增量的方式调整子空间.实验结果表明:相比基于其他增量子空间学习的跟踪算法,该算法能够稳定、准确地对运动目标进行跟踪.

大数据环境下量子机器学习的研究进展及发展趋势

复杂性是大数据区别于传统数据的根本所在,大数据的复杂性必然带来不确定性,如何高效、安全、准确地处理大数据所具有的复杂性和不确定性问题已经成为实现大数据知识发现的前提和关键。该文分析了目前大数据环境下不确定性集合理论和大数据计算与分析方法、机器学习、量子计算及量子机器学习的研究现状和不足,展望了未来的发展趋势,指出在即将来临的“大数据+人工智能+量子计算”时代,将“大数据+不确定性集合理论+机器学习+量子计算”交叉融合研究既有理论和现实意义,又有实用价值,也必将成为智慧化时代大数据领域的研究热点。

机器学习算法及其应用综述

机器学习是一门多学科的综合性研究,它既是基于模式识别和人工智能的一类计算机科学分支,也是人工智能的一种极其重要的研究方向。文章从机器学习经典算法、新型算法及其应用三个方面进行介绍。首先阐述了6种最常见的机器学习方法,及其机器学习算法的数据并行、聚类、分治3个主要方式;然后,在机器学习经典方法的基础上介绍了结合各专业领域的量子机器学习方法以及李群机器学习;最后,阐述了机器学习方法在各领域中的实际应用,并对机器学习未来的发展趋势做出了分析总结。

量子人工智能中的对抗学习

量子人工智能是一个探究人工智能与量子物理交叉的领域:一方面人工智能的方法和技术可以用来解决量子科学中的问题;另一方面,量子计算的发展也可能为人工智能,尤其是机器学习,提供新的范式,极大促进人工智能的发展.然而,量子机器学习和经典学习系统对于对抗样本同样具有脆弱性:在原始数据样本上添加精心制作的微小扰动将很可能导致系统做出错误的预测.本文介绍经典与量子对抗机器学习的基本概念、原理、以及最新进展.首先从经典和量子两个方面介绍对抗学习,通过二维经典伊辛模型和三维手征拓扑绝缘体的对抗样本揭示出经典机器学习在识别物质相时的脆弱性,同时利用手写字体的对抗样本直观展示出量子分类器的脆弱性.随后从理论层面上分别阐述经典与量子的“没有免费午餐”定理,并探讨了量子分类器的普适对抗样本.最后,分析并讨论了相应的防御策略.量子人工智能中对抗学习的研究揭示了量子智能系统潜在的风险以及可能的防御策略,将对未来量子技术与人工智能的交叉产生深刻影响.