Work

HASM量子机器学习

Year: 2023
Type: article
Abstract: 传统计算机的进步源于晶体管的小型化和芯片上晶体管数量的增加, 但晶体管的小型化已达到了它的极限水平. 与此同时, 许多实际问题需要超过当今计算机计算能力的巨量计算资源. 近年来, 量子计算的发展为我们解决这一问题带来了曙光. 虽然量子计算可实现相对于传统超算的指数级加速, 但误差问题是实现量子实用优势的严重障碍. 最新研究表明, 量子机器学习是提高量子计算精度的有效途径之一. 事实上, 高精度曲面建模(HASM)方法是一种强化机器学习方法, 并可通过拉格朗日因子法转换为大型稀疏线性系统, 它与Harrow-Hassidim-Lloyd(HHL)量子算法的有机结合, 形成了HASM-HHL量子机器学习算法. HASM在传统计算机上已成功运用于自然系统、自然系统对人类贡献和自然系统变化驱动力等生态环境曲面的空间插值、空间升尺度、空间降尺度、数据融合和模型-数据同化. 实验结果表明, HASM-HHL量子机器学习算法的计算结果达到了传统高精度算法的精度水平; 与此同时, 可实现相对于传统高时效算法的指数级加速. 目前, 基于HASM的传统-量子混合计算平台已有水到渠成之势. 然而, HHL量子算法有很多局限性, 它们是HASM-HHL量子机器学习实用量子优势面临的主要挑战. 为此, 我们提出了发展新型HASM量子计算方法的多套优化方案: (1) 发展更优的大规模稀疏矩阵量子求解方案; (2) 评估量子计算的成本问题和标杆问题; (3) 构建HASM传统与量子混合计算通用平台, 实现传统计算与量子计算优势互补; (4) 将优化后的量子算法和传统算法发送到量子计算云平台, 促进用户的广泛应用和积极反馈, 进一步优化有关算法.
Language: English
Open Access status: diamond
OpenAlex ID: W4384264286
FWCI: 0.165
Cites: 72
Cited by: 3
Related to: 9