{ "cells": [ { "cell_type": "markdown", "id": "instructional-length", "metadata": {}, "source": [ "# 量子核方法\n", "\n", " Copyright (c) 2021 Institute for Quantum Computing, Baidu Inc. All Rights Reserved. " ] }, { "cell_type": "markdown", "id": "desirable-compatibility", "metadata": {}, "source": [ "## 概览\n", "\n", "在量子机器学习中,参数化量子电路(parameterized quantum circuit)扮演着重要的角色。在很多场景中,为了类比经典机器学习领域中的神经网络方法,我们也经常会把参数化量子电路称为量子神经网络。但是实际上,在量子机器学习的相关应用中,人们发现参数化量子电路的数学原理更类似于经典机器学习中的核方法(kernel methods)[1]。这种通过将量子计算和经典核方法相结合的思路以及研究方法,就被称为量子核方法(quantum kernel methods)。这两种方法的结合对于量子计算如何更好的解决一系列机器学习问题提供了全新的视角,因此在近年来收到了极大的关注 [2-7]。在本教程中,我们将探究如何用量子核方法结合支持向量机来实现数据分类。\n", "\n", "### 理论背景\n", "\n", "在经典机器学习中,核方法一般指的是将低维的数据向量通过特征映射(feature map)映射到高维的特征空间(feature space)中,来识别低维数据中难以分辨的模式的方法。如图1的例子所示,通过将一维的线性不可分数据映射到二维,映射后的数据在二维空间中是线性可分的。\n", "\n", "![feature map](./figures/Qkernel-fig-featuremap.png \"图1:核方法中的特征映射\")\n", "