21、量子退火在机器学习分类中的应用与优势
量子退火在机器学习分类中的应用与优势
1. 量子退火在不同领域的应用
1.1 癌症类型分类
研究人员利用 D-wave 2000Q 实现的量子退火进行癌症类型分类。在相关工作中，使用 D-wave 的量子退火子程序为受限玻尔兹曼机（RBM）生成模型期望，并与多种经典机器学习算法进行性能比较。
- 在一项研究中，使用癌症基因组图谱（TCGA）数据集进行二项分类和多项分类。多项分类包括对人脑、乳腺、肾脏、肺、肝脏和结肠直肠癌类型的分类。分析表明，总体上标准机器学习算法的性能优于基于量子退火的算法，但在训练数据减少的情况下，基于量子退火的算法以及其他基于经典伊辛模型的算法表现优于标准机器学习算法。
- 另一项研究使用量子退火来估计 RBM 的模型期望，以对基于 Geo 肺癌数据集的腺癌与鳞状细胞癌进行分类。将量子 RBM 与标准机器学习模型（如线性回归、逻辑回归、支持向量机、随机森林、XGBoost 和神经网络）进行比较，结果显示 RBM 的性能与经典方法相当。
1.2 物理学领域
量子退火也被应用于物理学问题。主要实验目标是评估量子退火在从背景噪声中分类希格斯信号的效率，并将量子方法与经典深度神经网络和 XGBoost 框架进行比较。
- 量子退火用于从总共 36 个弱分类器中选择最优数量的弱分类器，这些弱分类器由运动学变量的分布构建而成。实验在具有 1000 个量子比特的 D-Wave 2X 上进行，使用模拟数据集，训练数据集大小为 20×20,000。实验结果表明，基于量子退火的方法在寻找真正的最小值方面效率不高，这归因于物理系统中的噪声以及量子比特之间稀疏的连接性。
- 对不同大小数据集的进一步研究表明，在优化