量子分类器简介：Variational Quantum Classifier (VQC)

学习科技周边要努力，但是不要急！今天的这篇文章《量子分类器简介：Variational Quantum Classifier (VQC)》将会介绍到等等知识点，如果你想深入学习科技周边，可以关注我！我会持续更新相关文章的，希望对大家都能有所帮助！

变分量子分类器（Variational Quantum Classifier，简称VQC）是一种利用量子计算技术进行分类任务的机器学习算法。这句话可以重写为：该算法是一种量子机器学习算法，旨在利用量子计算机的能力潜在地提升经典机器学习方法的性能。

VQC的核心理念是通过应用变分量子电路，将输入数据编码并映射到量子态上。接下来，我们会采用量子门和测量操作来操控这些量子态，以提取与分类任务相关的特征。最后，处理测量结果，并将其用于为输入数据分配类别标签。

VQC将经典优化技术与量子计算相结合。在训练中，通过在量子计算机或模拟器上重复执行变分量子电路，将其结果与训练数据的真实标签进行对比。以最小化代价函数为目标，通过迭代地调整变分量子电路的参数，使其预测标签与真实标签之间的差异减小。旨在寻找最优的量子电路配置，以提高分类准确性为目标的优化过程。虽然看起来很简单，但这种混合计算体系结构存在很多的挑战。

特征映射是第一阶段，其中数据必须编码为量子位。由于特征映射是将一个向量空间转换为另一个向量空间的数学变换，因此有多种编码方法可供选择。所以研究如何为每个问题找到最佳映射，就是一个待研究的问题

有了映射，还要设计一个量子电路作为模型，这是第二阶段。在这里我们可以随心所愿地发挥创意，但必须考虑到同样的旧规则仍然很重要:对于简单的问题，不要使用太多的参数来避免过拟合，也不能使用太少的参数来避免偏差，并且由于我们正在使用量子计算，为了从量子计算范式中获得最佳效果，必须与叠加（superposition ）和纠缠（entanglement）一起工作。

并且量子电路是线性变换，我们还需要对其输出进行处理。比如非线性化的激活。

数据集和特征

这里我们将基于泰坦尼克号数据集设计一个分类器，我们的数据集有以下特征：

• PassengerID
• Passenger name
• Class (First, second or third)
• Gender
• Age
• SibSP (siblings and/or spouses aboard)
• Parch (parents or children aboard)
• Ticket
• Fare
• Cabin
• Embarked
• Survived

我们要构建一个根据乘客的特征预测乘客是否幸存的分类器。所以我们只选择几个变量作为示例：

• is_child (if age <12)
• is_class1 (if person is in the first class)
• is_class2
• is_female

由于仅有四个变量可用，我们将采用基础嵌入。我们只需将经典位转换为等效量子位。如果我们的四个变量为1010，则表示为|1010>。

模型

我们的模型是可参数化量子电路。为了验证使用量子组件的合理性，我们的模型要求电路必须具备适度的叠加和纠缠特性

这个模型可能看起来很复杂，但他的想法相当简单。 这是一个双层电路，因为核心结构重复了 2 次。我们首先在每个量子位上实施 Z、Y 和 Z 轴旋转，旨在在每个量子位上分别插入一种程度的叠加。这些参数化旋转在每次算法交互中都由经典计算机更新。接下来是在Y轴和Z轴上的旋转，因为量子位的矢量空间可被描述为一个球体，即布洛赫球体。RZ仅修改量子比特的相位，而RY则调整量子比特与|0⟩和|1⟩的相似程度。

每对量子位之间有四个受控非 (CNOT) 状态，这是一个量子门，根据另一个量子位（分别为目标和控制）的状态反转一个量子位状态。这个门导致我们电路中的所有量子位纠缠，从而导致所有状态的纠缠。 在第二层中，我们应用了一组新的旋转，这不仅仅是第一层的逻辑重复，因为现在所有状态都纠缠在一起，这意味着旋转第一个量子比特也会影响其他量子比特！ 最后我们有了一组新的 CNOT 门。

这是对我们上面模型的非常简单的解释，下面代码会让这些内容变得更清晰。

优化器

我使用的是Adam Optimizer，但是这个优化器是经过特殊处理的，我们直接使用pennylane 库。

代码实现

这里我们直接使用Pennylane和sklearn实现代码。

import pennylane as qml from pennylane import numpy as np from pennylane.optimize import AdamOptimizer  from sklearn.model_selection import train_test_split import pandas as pd  from sklearn.metrics import accuracy_score from sklearn.metrics import f1_score from sklearn.metrics import precision_score from sklearn.metrics import recall_score  import math  num_qubits = 4 num_layers = 2  dev = qml.device("default.qubit", wires=num_qubits)  # quantum circuit functions def statepreparation(x): qml.BasisEmbedding(x, wires=range(0, num_qubits))  def layer(W):  qml.Rot(W[0, 0], W[0, 1], W[0, 2], wires=0) qml.Rot(W[1, 0], W[1, 1], W[1, 2], wires=1) qml.Rot(W[2, 0], W[2, 1], W[2, 2], wires=2) qml.Rot(W[3, 0], W[3, 1], W[3, 2], wires=3)  qml.CNOT(wires=[0, 1]) qml.CNOT(wires=[1, 2]) qml.CNOT(wires=[2, 3]) qml.CNOT(wires=[3, 0])  @qml.qnode(dev, interface="autograd") def circuit(weights, x):  statepreparation(x)  for W in weights: layer(W)  return qml.expval(qml.PauliZ(0))  def variational_classifier(weights, bias, x): return circuit(weights, x) + bias  def square_loss(labels, predictions): loss = 0 for l, p in zip(labels, predictions): loss = loss + (l - p) ** 2  loss = loss / len(labels) return loss  def accuracy(labels, predictions):  loss = 0 for l, p in zip(labels, predictions): if abs(l - p) < 1e-5: loss = loss + 1 loss = loss / len(labels)  return loss  def cost(weights, bias, X, Y): predictions = [variational_classifier(weights, bias, x) for x in X] return square_loss(Y, predictions)  # preparaing data df_train = pd.read_csv('train.csv')  df_train['Pclass'] = df_train['Pclass'].astype(str)  df_train = pd.concat([df_train, pd.get_dummies(df_train[['Pclass', 'Sex', 'Embarked']])], axis=1)  # I will fill missings with the median df_train['Age'] = df_train['Age'].fillna(df_train['Age'].median())  df_train['is_child'] = df_train['Age'].map(lambda x: 1 if x < 12 else 0) cols_model = ['is_child', 'Pclass_1', 'Pclass_2', 'Sex_female']  X_train, X_test, y_train, y_test = train_test_split(df_train[cols_model], df_train['Survived'], test_size=0.10, random_state=42, stratify=df_train['Survived'])  X_train = np.array(X_train.values, requires_grad=False) Y_train = np.array(y_train.values * 2 - np.ones(len(y_train)), requires_grad=False)  # setting init params np.random.seed(0) weights_init = 0.01 * np.random.randn(num_layers, num_qubits, 3, requires_grad=True) bias_init = np.array(0.0, requires_grad=True)  opt = AdamOptimizer(0.125) num_it = 70 batch_size = math.floor(len(X_train)/num_it)  weights = weights_init bias = bias_init for it in range(num_it):  # Update the weights by one optimizer step batch_index = np.random.randint(0, len(X_train), (batch_size,)) X_batch = X_train[batch_index] Y_batch = Y_train[batch_index] weights, bias, _, _ = opt.step(cost, weights, bias, X_batch, Y_batch)  # Compute accuracy predictions = [np.sign(variational_classifier(weights, bias, x)) for x in X_train] acc = accuracy(Y_train, predictions)  print( "Iter: {:5d} | Cost: {:0.7f} | Accuracy: {:0.7f} ".format( it + 1, cost(weights, bias, X_train, Y_train), acc))  X_test = np.array(X_test.values, requires_grad=False) Y_test = np.array(y_test.values * 2 - np.ones(len(y_test)), requires_grad=False)  predictions = [np.sign(variational_classifier(weights, bias, x)) for x in X_test]  accuracy_score(Y_test, predictions) precision_score(Y_test, predictions) recall_score(Y_test, predictions) f1_score(Y_test, predictions, average='macro')

最后得到的结果如下：

Accuracy: 78.89% Precision: 76.67% Recall: 65.71% F1: 77.12%

为了比较，我们使用经典的逻辑回归作为对比，

Accuracy: 75.56% Precision: 69.70% Recall: 65.71% F1: 74.00%

可以看到VQC比逻辑回归模型稍微好一点!这并不意味着VQC一定更好，因为只是这个特定的模型和特定的优化过程表现得更好。然而，重点仍然是将构建一个简单且有效的量子分类器展示出来。

总结

VQC算法需要同时利用经典资源和量子资源。经典部分处理优化和参数更新，而量子部分在量子态上执行计算。VQC的性能和潜在优势取决于诸如分类问题的复杂性、量子硬件的质量以及合适的量子特征映射和量子门的可用性等因素。

最重要的是：量子机器学习领域仍处于早期阶段，VQC的实际实现和有效性目前受到构建大规模、纠错的量子计算机的挑战所限制。未来，随着量子硬件和算法的不断进步，可以预见在该领域的研究将持续进行，并且可能会出现更强大和高效的量子分类器。

今天关于《量子分类器简介：Variational Quantum Classifier (VQC)》的内容就介绍到这里了，是不是学起来一目了然！想要了解更多关于机器学习的内容请关注golang学习网公众号！