本書主要介紹量子機器學習的背景知識、基礎概念,以及一些重要的量子機器學習算法的基本原理與實現。本書共9 章,主要內容包括量子機器學習背景知識、量子計算基礎、量子機器學習框架VQNet、支持向量機、聚類、卷積神經網絡、循環(huán)神經網絡、生成對抗網絡,以及自然語言處理。
本書既可作為高等院校量子機器學習相關專業(yè)研究生、教師及科研人員的教材或參考書,也可作為量子機器學習愛好者的自學用書。
1. 量子機器學習是重要技術潮流,本書為目前少有的系統介紹該領域的讀本。
2. 作者可靠:國內先投身量子計算研究、孵化出中國大量子計算企業(yè)的團隊。
3. 本書為實用導向,分享一手經驗,提供算法及豐富案例,幫助讀者從理論走向實際應用。
郭國平,第十四屆全國人大代表,民革第十四屆中央委員會委員,中國科學院量子信息重點實驗室副主任,中國科學技術大學講席教授,中國計算機學會(CCF)量子計算專業(yè)委員會秘書長,安徽省量子計算工程研究中心主任,量子計算芯片安徽省重點實驗室主任,本源量子首席科學家、創(chuàng)始人。中國自主超導量子計算機研制團隊負責人。
方圓,中國科學技術大學碩士畢業(yè),2018年起在本源量子從事量子基礎軟件開發(fā)及研究工作,主要負責量子編程框架、量子操作系統、量子機器學習等方向的研究和實現,開發(fā)經驗豐富,已發(fā)表數篇文章,有20多項相關領域專利獲授權。
李蕾,碩士,在本源量子擔任量子機器學習工程師,主要負責量子機器學習框架開發(fā)和算法研究,涉及量子圖像和量子自然語言處理等領域,發(fā)表相關論文2篇,在相關領域持有專利并取得軟件著作權。
目錄
第 1 章 背景知識 1
1.1 什么是量子計算 1
1.1.1 量子計算和經典計算的基本差異 1
1.1.2 量子計算的基本概念 2
1.1.3 量子計算的發(fā)展 3
1.2 什么是量子機器學習 6
1.2.1 機器學習的基本概念 6
1.2.2 量子機器學習的基本概念 7
1.2.3 量子機器學習的應用前景 8
1.3 量子機器學習的發(fā)展歷程與趨勢 9
1.3.1 量子機器學習的發(fā)展歷史 9
1.3.2 量子機器學習的研究現狀 10
1.3.3 量子機器學習的未來發(fā)展 11
第 2 章 量子計算基礎 12
2.1 量子比特與量子態(tài) 12
2.1.1 量子比特的基本概念 12
2.1.2 量子疊加態(tài) 14
2.2 量子計算的特性 14
2.2.1 量子并行計算 15
2.2.2 量子糾纏特性 15
2.3 量子邏輯門 16
2.3.1 量子邏輯門的基本概念 16
2.3.2 常用的單量子比特邏輯門 19
2.4 量子測量 26
2.4.1 量子測量的基本概念 27
2.4.2 量子測量的實現 28
2.5 量子算法 29
2.5.1 多伊奇-約薩算法 30
2.5.2 格羅弗算法 31
2.5.3 舒爾算法 32
2.5.4 HHL 算法 33
第3 章 量子機器學習框架VQNet 34
3.1 VQNet 與量子機器學習 34
3.1.1 量子機器學習框架 34
3.1.2 量子機器學習框架與經典機器學習框架的區(qū)別及聯系 34
3.1.3 VQNet 的組成 35
3.2 VQNet 的模型與優(yōu)化 36
3.2.1 經典梯度與量子梯度 36
3.2.2 自動微分 39
3.2.3 模型訓練 41
3.2.4 模型優(yōu)化 42
3.3 VQNet 的基本數據結構 44
3.3.1 Tensor 與QTensor 44
3.3.2 QTensor 函數與屬性 45
3.3.3 創(chuàng)建函數 45
3.3.4 數字函數 46
3.3.5 邏輯函數 49
3.3.6 矩陣操作 49
3.3.7 實用函數 50
3.4 VQNet 的經典模塊 51
3.4.1 Module 類與經典網絡層 52
3.4.2 損失函數 55
3.4.3 激活函數 56
3.4.4 優(yōu)化算法 56
3.5 VQNet 的量子模塊 58
3.5.1 量子計算層 58
3.5.2 量子邏輯層 61
3.5.3 量子線路組合 63
3.5.4 量子測量 64
3.5.5 量子算法模塊 65
3.6 小結 70
第4 章 支持向量機 71
4.1 經典支持向量機 71
4.1.1 SVM 的基本原理 71
4.1.2 SVM 的優(yōu)化目標與約束條件 73
4.1.3 SVM 在分類和回歸問題中的應用 75
4.1.4 SVM 的優(yōu)缺點與改進方法 77
4.2 量子支持向量機 78
4.2.1 QSVM 的基本原理 78
4.2.2 量子核方法 79
4.2.3 QSVM 的優(yōu)化目標與約束條件 80
4.3 量子支持向量機的具體實現 81
4.3.1 QSVM 的實現方法與流程 81
4.3.2 量子算法的復雜度與誤差控制 82
4.3.3 QSVM 的訓練過程與預測過程 83
4.3.4 QSVM 在VQNet 中的實現 84
4.3.5 QSVM 的數據分類應用 88
4.4 小結 90
第5 章 聚類 92
5.1 經典聚類 92
5.1.1 聚類的概念與基本原理 92
5.1.2 常用的聚類算法 93
5.1.3 性能度量和距離計算 95
5.1.4 聚類算法的優(yōu)缺點與改進方法 97
5.2 量子聚類 98
5.2.1 量子聚類的基本原理 98
5.2.2 常用的量子聚類算法 99
5.2.3 基于相似度的量子聚類算法 99
5.3 量子聚類在VQNet 中的實現 100
5.3.1 量子K-Means 算法流程 101
5.3.2 量子K-Means 算法相似度計算 101
5.3.3 基于VQNet 的量子K-Means 算法 102
5.3.4 量子K-Means 算法在鳶尾花聚類問題中的應用 103
5.4 小結 107
第6 章 卷積神經網絡 108
6.1 經典卷積神經網絡 108
6.1.1 CNN 的基本原理 108
6.1.2 卷積運算與池化運算 109
6.2 量子卷積神經網絡 111
6.2.1 QCNN 的基本原理 111
6.2.2 QCNN 的線路設計和優(yōu)化 112
6.3 量子卷積神經網絡在圖像識別中的應用 114
6.3.1 CNN 的圖像識別過程 115
6.3.2 QCNN 圖像編碼 115
6.3.3 QCNN 圖像特征提取 117
6.3.4 QCNN 手寫數字識別 118
6.4 小結 124
第7 章 循環(huán)神經網絡 125
7.1 經典循環(huán)神經網絡 125
7.1.1 傳統神經網絡的局限性 125
7.1.2 RNN 的基本原理 125
7.1.3 RNN 的應用領域 126
7.1.4 RNN 的梯度消失與梯度爆炸問題 127
7.2 長短時記憶網絡 127
7.2.1 LSTM 網絡的基本原理 128
7.2.2 LSTM 網絡的應用領域 129
7.3 量子循環(huán)神經網絡 130
7.3.1 QRNN 的基本原理 130
7.3.2 QRNN 的量子線路設計 133
7.3.3 QRNN 的應用領域 134
7.4 量子長短時記憶網絡 135
7.4.1 QLSTM 網絡的基本原理 135
7.4.2 QLSTM 網絡的量子線路設計 137
7.4.3 QLSTM 網絡的應用領域 137
7.5 量子循環(huán)神經網絡的應用 138
7.5.1 文本分類的基本問題 139
7.5.2 基于QRNN 的文本分類方法 139
7.5.3 基于QLSTM 網絡的文本分類方法 140
7.6 小結 141
第8 章 生成對抗網絡 142
8.1 經典生成對抗網絡 142
8.1.1 GAN 的基本原理 142
8.1.2 GAN 的基本構成 143
8.1.3 GAN 的優(yōu)缺點 143
8.1.4 GAN 的應用領域 144
8.2 量子生成對抗網絡 146
8.2.1 QGAN 的基本原理 146
8.2.2 QGAN 的基本構成 147
8.2.3 QGAN 的優(yōu)缺點 148
8.3 量子生成對抗網絡的應用 148
8.3.1 QGAN 的量子態(tài)生成線路設計 149
8.3.2 QGAN 的生成指標與實驗 150
8.3.3 QGAN 的應用前景與挑戰(zhàn) 151
8.4 小結 153
第9 章 自然語言處理 154
9.1 經典自然語言處理 154
9.1.1 NLP 的基本原理 154
9.1.2 自然語言處理的基本流程 155
9.1.3 文本分類 155
9.2 量子自然語言處理 158
9.2.1 QNLP 的基本原理 158
9.2.2 QNLP 的發(fā)展歷程 159
9.3 語法感知QNLP 161
9.3.1 語法感知的基本原理 161
9.3.2 語法感知QNLP 的應用領域 161
9.3.3 語法感知QNLP 的具體實現與實驗 162
9.4 量子Transformer 163
9.4.1 Transformer 的基本原理 163
9.4.2 Transformer 的應用領域 165
9.4.3 QTransformer 的量子線路設計 166
9.5 量子情感分析的應用 166
9.5.1 經典情感分析 166
9.5.2 量子情感分析的基本原理 167
9.5.3 基于語法感知QNLP 的情感分析應用 168
9.5.4 基于QTransformer 的情感分析應用 168
9.6 小結 171
主要術語對照表 172
參考文獻 175