基于高斯过程回归的量子预测方法及终端

本发明涉及量子系统预测，尤其涉及一种基于高斯过程回归的量子预测方法及终端。

背景技术：

1、机器学习作为计算机科学与统计应用的一个交叉分支领域，有着自适应性以及从过往经验学习等优势。越来越多的研究人员被机器学习吸引，将自己领域的研究与机器学习相结合。但是随着信息技术的发展，数据量的激增成为了现代计算机性能所要面对的难题与挑战。

2、量子计算利用量子力学原理，运用量子纠缠和量子叠加等特性，来实现计算任务，在某些问题上已被证明对于传统计算机有着指数级别的加速效果。例如，shor提出的用于大整数分解的量子算法比经典算法具有指数级加速。近年来，量子计算在机器学习领域得到了广泛的运用，各种量子机器学习算法层出不穷。对于量子算法和量子力学性质的研究与探究使得人工智能领域的发展更进一步。因此，开发高效的量子算法来实现机器学习和数据挖掘中的任务至关重要。

3、机器学习中一个热门方向是开发可用的贝叶斯方法来解决相应具有挑战性的问题，其中，一个代表性的例子就是高斯过程回归(gpr)。gpr的应用范围十分广泛，比如自动控制、图像处理以及时间序列分析等等。gpr的主要过程为给定若干个样本数据训练输出数据，以预测新输入数据的输出，计算新输入数据与输出数据之间的方差和均值。但是，gpr的计算成本非常高，特别是在训练集的大小足够大的情况下。对此，人们开始找寻方法加速gpr过程，其中量子计算的发展给了人们新的思路。然而，现有的量子高斯回归过程方法在大规模数据集的情况下依旧无法提高协方差函数计算的时效性。

技术实现思路

1、本发明所要解决的技术问题是：提供一种基于高斯过程回归的量子预测方法及终端，能够提高高斯过程回归预测方法在面对大规模数据计算时的时效性。

2、为了解决上述技术问题，本发明采用的技术方案为：

3、基于高斯过程回归的量子预测方法，包括：

4、获取训练数据点和预测数据点，并计算所述训练数据点与所述预测数据点之间的协方差矩阵；

5、通过量子相干编码、量子振幅估计以及第一量子受控旋转操作创建所述训练数据点与所述预测数据点之间的标准协方差量子态；

6、通过量子主成分分析的矩阵指数化操作和第二量子受控旋转操作确定包含所述协方差矩阵与所述标准协方差量子态的目标量子态；

7、将所述目标量子态和所述标准协方差量子态进行量子交换测试操作得到与所述预测数据点相对应的预测值的均值和方差。

8、为了解决上述技术问题，本发明采用的另一种技术方案为：

9、基于高斯过程回归的量子预测终端，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于高斯过程回归的量子预测方法的各个步骤。

10、本发明的有益效果在于：利用量子计算的特性，通过量子相干编码、量子振幅估计以及第一量子受控旋转操作能够直接确定训练数据点和预测数据点之间的标准协方差量子态，从而确定与预测数据点相对应的预测值的均值和方差。相比于传统的高斯过程回归预测方法，本发明无需通过训练数据点迭代训练模型以求解协方差函数中超参数，而是基于量子计算直接确定训练数据点和预测数据点之间的协方差向量，能够加速高斯过程回归预测方法在计算协方差函数的时间效率，避免计算资源消耗的问题，有效提高高斯过程回归预测方法在面对大规模数据计算时的时效性。

技术特征：

1.基于高斯过程回归的量子预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述通过量子相干编码、量子振幅估计以及第一量子受控旋转操作创建所述训练数据点与所述预测数据点之间的标准协方差量子态包括：

3.根据权利要求2所述的方法，其特征在于，所述分别创建第一寄存器、第二寄存器、第三寄存器和第四寄存器包括：

4.根据权利要求3所述的方法，其特征在于，所述基于所述第一寄存器、所述第二寄存器以及所述第三寄存器对所述训练数据点和所述预测数据点进行量子相干编码得到相干纠缠量子态包括：

5.根据权利要求3所述的方法，其特征在于，所述根据所述第四寄存器控制所述第五寄存器进行第一量子受控旋转操作得到标准协方差量子态包括：

6.根据权利要求5所述的方法，其特征在于，所述通过量子主成分分析的矩阵指数化操作和第二量子受控旋转操作确定包含所述协方差矩阵与所述标准协方差量子态的目标量子态包括：

7.根据权利要求1所述的方法，其特征在于，所述将所述目标量子态和所述标准协方差量子态进行量子交换测试操作得到与所述预测数据点相对应的预测值的均值和方差包括：

8.根据权利要求7所述的方法，其特征在于，还包括：

9.根据权利要求8所述的方法，其特征在于，所述根据所述预测类别量子态确定所述预测数据点的预测标记类别包括：

10.基于高斯过程回归的量子预测终端，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述的基于高斯过程回归的量子预测方法的各个步骤。

技术总结本发明公开的基于高斯过程回归的量子预测方法及终端，该方法包括：获取训练数据点和预测数据点，并计算所述训练数据点与所述预测数据点之间的协方差矩阵；通过量子相干编码、量子振幅估计以及第一量子受控旋转操作创建所述训练数据点与所述预测数据点之间的标准协方差量子态；通过量子主成分分析的矩阵指数化操作和第二量子受控旋转操作确定包含所述协方差矩阵与所述标准协方差量子态的目标量子态；将所述目标量子态和所述标准协方差量子态进行量子交换测试操作得到与所述预测数据点相对应的预测值的均值和方差。本发明能够提高高斯过程回归预测方法在面对大规模数据计算时的时效性。技术研发人员：邓莹,郭躬德,林崧,杨鹏宇,余凯受保护的技术使用者：厦门工学院技术研发日：技术公布日：2024/9/17