量子和量子启发的立体图 K 最近邻群集

科学领域:

• 量子计算是一种量子计算.
• 机器学习是机器学习.
• 光学通信是指光学通信的应用.

背景情况:

• 最近邻群集对于光纤信号解码至关重要.
• 由于数据嵌入问题,量子k-means集群尚未实现此应用程序的加快速度.
• 现有的方法在光学信号的量子聚类中面临不准确性和减速.

研究的目的:

• 为量子机器学习算法提出一个改进的嵌入方法,特别是用于光纤信号的集群.
• 开发和对光纤通信进行"量子启发"的经典聚类算法进行基准测试.
• 提高这个领域的聚类算法的准确性和融合率.

主要方法:

• 利用了通用反向立体投影来改进嵌入布洛赫球体的量子距离估计.
• 开发了一种基于通用反向立体图投影和球形心状的经典集群算法.
• 使用现实世界的光纤通信数据对拟议的经典算法的准确性,运行时间和融合进行了基准测试.

主要成果:

• 一般化的反向立体投影使量子距离估计更接近经典性能.
• 拟议的"量子启发"经典算法与标准k-means相比,显示出更高的准确性和趋同率.
• 在经典算法中优化半径始终提高了准确性和趋同性.

结论:

• 一般化的反向立体投影为量子机器学习提供了优越的嵌入策略,以光纤信号集群为例.
• 一个新的经典集群算法,灵感来自量子方法,为光纤通信提供了实际的改进.
• 这项工作弥合了量子和经典方法,为信号解码提供了更有效的解决方案.