基于 Contour 核心集与变分量子特征求解器的聚类
量子物理
2024-06-25 v1 机器学习
摘要
近期的工作提出通过量子近似优化算法（QAOA）和核心集技术在量子计算机上求解 k-means 聚类问题。尽管现有方法展示了量子 k-means 聚类的可能性，但它在广泛的数据集上并未确保高精度和一致性。现有的核心集技术是为经典算法设计的，目前还没有旨在提升量子算法精度的量子定制核心集技术。在本工作中，我们提出使用变分量子特征求解器（VQE）和一种定制的核心集方法——Contour 核心集来求解 k-means 聚类问题，该核心集专门针对量子算法设计。基于合成数据和真实数据的广泛仿真表明，我们的 VQE+Contour Coreset 方法以更高的精度和更低的标准差优于现有的 QAOA+Coreset k-means 聚类方法。我们的工作表明，与使用通用的现成核心集技术相比，量子定制的核心集技术具有显著提升量子算法性能的潜力。
引用
@article{arxiv.2312.03516,
title = {Clustering by Contour coreset and variational quantum eigensolver},
author = {Canaan Yung and Muhammad Usman},
journal= {arXiv preprint arXiv:2312.03516},
year = {2024}
}
备注
33 pages