[发明专利]一种基于新型量子框架实现乳腺癌分类的系统

说明书

本发明公开一种基于新型量子框架实现乳腺癌分类的系统，该系统用于执行以下步骤：根据乳腺癌数据特征进行量子编码，将样本特征编码到量子线路上；结合量子核估计方法对乳腺癌数据进行量子核熵主成分分析，达到乳腺癌数据预处理的目的；根据得到的预处理后的乳腺癌数据逐次进行量子编码进入变分量子线路、即量子变分分类器；对量子变分分类器的参数使用量子梯度下降算法实现参数优化；判断量子变分分类器的损失函数是否达到实际要求，如果达到，则量子变分分类过程结束；如果未达到实际要求，则对下一条预处理后的乳腺癌数据进行量子编码。在数据集特征值较少，分类准确度不高的情况下，本发明可以有效提高乳腺癌分类准确率。

技术领域

本发明属于乳腺癌分类与识别技术领域，尤其涉及一种基于新型量子框架实现乳腺癌分类的系统。

背景技术

已有基于量子机器学习实现乳腺癌分类问题的主要技术有基于量子核估计的方法及基于量子变分分类的方法。

这些技术的主要缺点是：

1、数据的预处理主要采用传统方法实现，尤其在数据降维处理时主要利用SVD(奇异值分解)和PCA(主成分分析)，这两种方法存在比较明显的缺陷，一是实际数据间并不是呈现复杂的非线性关系，二是数据之间存在着一定量的冗余信息，这极可能过度强化某一属性的信息，而忽略某些有用的特征阻碍了寻找数据间真实的潜在结构。

2、在模型参数优化环节主要采用传统的梯度下降算法，达到收敛耗时较长。

机器学习与量子计算是两种不同的方法，均展现了在处理一些先前较难解决问题上的潜力[文献1：VojtěchAntonio D.Córcoles.Supervised learning withquantum-enhanced feature spaces.Nature 567,209-212,2019.]。许多针对有噪声的中尺度量子器件的实验建议都包括训练一个具有经典优化环路的参数化量子电路。这种混合量子经典算法在量子模拟、优化和机器学习中应用广泛。这些方法对某些类型的错误的弹性以及对相干时间和门需求的高灵活性使它们对运行在噪声中间尺度量子(NISQ)体系的实现特别具有吸引力。由于其简单性和硬件效率，随机电路经常被提出作为探索量子态空间的初始猜测。其中分类问题属于有监督机器学习的范畴，根据给定的有标签的数据集从数据集中随机选择训练样本集T和测试样本集S，使得T∪S∈C，通过学习得到一个目标函数f，把每个属性集C_i能正确的映射到一个预先定义的类别标号中，然后利用目标函数f对未知类别的样本进行分类。分类要求必须事先明确知道各类别的信息，并且是一种对离散型随机变量建模或预测的监督学习算法。量子机器学习就是用量子态表示分类问题的特征空间，利用量子希尔伯特空间的大维数得到增强解。其中文献1中最具代表性的提出了变分分类方法的理论及量子线路构造，量子变分分类器建立在[文献2：Mitarai,K.,Negoro,M.,Kitagawa,M.Fujii,K.Quantum circuit learning.arXivpreprint arXiv:1803.00745(2018).][文献3：Farhi,E.Neven,H.Classifificationwith quantum neural networks on near term processors.arXiv preprint arXiv:1802.06002(2018).]的基础上，并通过使用变分量子电路对训练集进行分类。但是在进行参数优化的时候依然采用传统的机器学习方法来寻找某些任务的最优参数，而使用基于梯度或无梯度的经典优化方法训练量子线路会受到成本景观中存在的贫瘠高原的严重影响。同时核主成分分析(KPCA)通过积分算子和非线性核函数有效地计算高维特征空间中的主成分。与其他非线性主成分分析(PCA)技术相比，KPCA只需要一个特征值问题的解，而不需要任何非线性优化，但是KPCA受限于数据集过大时，核估计成本显著提升的限制。

发明内容