本技术涉及量子计算，特别地涉及基于分布式量子计算的数据分类方法、装置、计算设备及计算机可读存储介质。
背景技术：
1、数据分类问题是机器学习和数据挖掘领域中的一种基本任务，其目标是将数据样本分为不同的类别。常见的分类问题应用包括垃圾邮件检测、疾病诊断、图像分类等。解决分类问题的传统方法通常依赖于经典算法，如支持向量机（svm）、逻辑回归、神经网络等。然而，随着数据规模和复杂度的增加，经典算法在处理高维度和复杂模式识别任务时可能会遇到性能瓶颈。
2、量子算法通过利用量子力学的原理，如量子叠加和量子纠缠，提供了一种全新的计算方式，展示了在某些特定领域中远超经典算法的潜力。量子算法在分类问题上的应用已经展现出显著的优势。例如，量子神经网络（qnn）通过利用量子计算资源来加速训练过程和提高分类准确率。变分量子算法（vqa），如变分量子特征求解器（vqe）和量子近似优化算法（qaoa），也被广泛应用于优化和分类任务。但是，当前量子计算机的量子比特数量和稳定性尚未达到大规模应用的要求，这直接限制了大规模量子神经网络算法的有效执行。这主要表现为量子计算资源不足，导致量子算法在处理大规模数据集和复杂模型时，执行效率低或分类准确率低。
技术实现思路
1、针对现有技术中存在的技术问题，本技术提出了一种基于分布式量子计算的数据分类的方法，包括：将待预测数据划分为多组子数据；根据划分的结果，构建第一量子神经网络，所述第一量子神经网络包括与多组子数据分别对应的多个第一计算节点，每个第一计算节点中运行有用于分类的第一量子线路；将多组子数据输入所述第一量子神经网络中，每组子数据被分配至对应第一计算节点中的第一量子线路并行运算，以获得每个第一计算节点在z基下的第一期望值；根据第一量子神经网络输出的结果，构建第二量子神经网络，所述第二量子神经网络包括利用量子比特切割划分的多个第二计算节点，每个第二计算节点中运行有用于分类的第二量子线路；将多个第一期望值输入所述第二量子神经网络中，每个第一期望值被分配至对应第二计算节点中的第二量子线路并行运算，以获得第二计算节点在特定基下的第二期望值；根据多个第二期望值的乘积结果，确定待预测数据的分类标签。
2、如上所述的方法，将多组子数据输入所述第一量子神经网络中，每组子数据被分配至对应第一计算节点中的第一量子线路并行运算，以获得每个第一计算节点在z基下的第一期望值，包括：将初始化的量子比特应用参数化ry（αi）门进行编码操作，所述αi为子数据中第i个单位数据，所述子数据中的每个单位数据均用1个量子比特表示；将编码后的量子比特执行一次或多次参数化线路，所述参数化线路包括参数化ry门和cnot门，cnot门作用在相邻量子比特之间；对最后一个量子比特执行参数化ry门操作，然后测量最后一个量子比特的期望值作为第一期望值。
3、如上所述的方法，所述第二量子线路根据至少一个第一期望值和切割量子比特的密度矩阵计算得到第二期望值。
4、如上所述的方法，将多个第一期望值输入所述第二量子神经网络中，每个第一期望值被分配至对应第二计算节点中的第二量子线路并行运算，以获得第二计算节点在特定基下的第二期望值，包括：将初始化的量子比特应用ry（ezi）门进行编码操作，所述ezi为第i个第一期望值；将编码后的量子比特执行一次或多次参数化线路，所述参数化线路包括参数化ry门和cnot门，cnot门作用在相邻量子比特之间；测量多个所述第二量子线路的第二期望值，所述第二期望值基于切割量子比特的密度矩阵、可观测量或可观测量的本征矢测量得到。
5、如上所述的方法，将多个第一期望值输入所述第二量子神经网络中，每个第一期望值被分配至对应第二计算节点中的第二量子线路并行运算，以获得第二计算节点在特定基下的第二期望值，包括：将至少一个第一期望值输入第二量子线路中的第一类子线路计算得到第二期望值；将至少一个第一期望值输入第二量子线路中的第二类子线路计算得到第二期望值；基于第一类子线路的第二期望值和第二类子线路的第二期望值，导出第二计算节点在特定基下的第二期望值。
6、如上所述的方法，将至少一个第一期望值输入第二量子线路中的第一类子线路计算得到第二期望值，包括：将切割量子比特做量子层析，得到切割量子比特的密度矩阵，所述密度矩阵利用如下公式表示：
7、；
8、其中，ρs表示切割量子比特s的密度矩阵，ci表示第i次测量制备的本征值，表示求迹操作， oi表示第i次测量制备的可观测量， 表示第i次测量制备的本征矢；
9、根据切割量子比特的密度矩阵计算第一类子线路的约化密度矩阵，所述约化密度矩阵利用如下公式表示：
10、；
11、其中，ρ（1）表示第一类子线路的密度矩阵，ci表示第i次测量制备的本征值，表示求迹操作， oi表示第i次测量制备的可观测量，表示张量积操作；
12、测量第一类子线路在其可观测量下的第二期望值，所述第二测量值利用如下公式表示：
13、；
14、其中，为第一类子线路的第二期望值，表示求迹操作，ρ（1）表示第一类子线路的密度矩阵，表示第一类子线路的可观测量，表示张量积操作，oi表示第i次测量制备的可观测量。
15、如上所述的方法，将至少一个第一期望值输入第二量子线路中的第二类子线路计算得到第二期望值，包括：将切割量子比特的本征矢输入第二类子线路中；分别测量在不同本征矢下第二类子线路的第二期望值，所述第二期望值利用如下公式表示：
16、；
17、其中，为第二类子线路的第二期望值，表示求迹操作，表示第i次测量制备的本征矢，表示第二类子线路的密度矩阵，ps表示量子比特s的可观测量，表示第二类子线路的可观测量，表示张量积操作。
18、如上所述的方法，根据多个第二期望值的乘积结果，确定待预测数据的分类标签，包括：分别计算第二类子线路的最后两个量子比特的两个第二期望值ez-1和第二期望值ez-2；根据第二期望值ez-1和第二期望值ez-2的大小确定所述待预测数据的分类标签；利用以下公式计算第二期望值ez-1和第二期望值ez-2：
19、；
20、其中，ez-2为第二类子线路中倒数第二个量子比特的第二期望值，ez-1为倒数第一个量子比特的第二期望值，ci表示第i次测量制备的本征值，为第一类子线路中第i次测量制备的期望值，为第二类子线路第i次测量制备倒数第二个量子比特的期望值，为第二类子线路第i次测量制备倒数第一个量子比特的期望值。
21、根据本技术的另一方面，提出一种基于分布式量子计算的数据分类装置，包括：数据划分模块，用于将待预测数据划分为多组子数据；第一量子神经网络搭建模块，用于根据划分的结果，构建第一量子神经网络，所述第一量子神经网络包括与多组子数据分别对应的多个第一计算节点，每个第一计算节点中运行有用于分类的第一量子线路；第一期望值计算模块，用于将多组子数据输入所述第一量子神经网络中，每组子数据被分配至对应第一计算节点中的第一量子线路并行运算，以获得每个第一计算节点在z基下的第一期望值；第二量子神经网络搭建模块，用于根据第一量子神经网络输出的结果，构建第二量子神经网络，所述第二量子神经网络包括利用量子比特切割划分的多个第二计算节点，每个第二计算节点中运行有用于分类的第二量子线路；第二期望值计算模块，用于将多个第一期望值输入所述第二量子神经网络中，每个第一期望值被分配至对应第二计算节点中的第二量子线路并行运算，以获得第二计算节点在特定基下的第二期望值；分类模块，用于根据多个第二期望值的乘积结果，确定待预测数据的分类标签。
22、如上所述的量子线路，所述第一量子线路包括：编码线路，用于将初始化的量子比特应用旋转门ry（αi），所述αi为子数据中第i个单位数据，所述子数据中的每个单位数据均用1个量子比特表示；参数化线路，包括一层或多层量子门，每层量子门包括参数化ry门和cnot门，cnot门作用在相邻量子比特之间；参数化ry门，作用在最后一个量子线路上；测量单元，作用在最后一个量子线路上，用于测量最后一个量子比特的期望值作为第一期望值。
23、如上所述的量子线路，所述第二量子线路包括：第一类子线路和第二类子线路，所述第一类子线路包括：编码线路，用于将初始化的量子比特应用ry（ezi）门，所述ezi为第i个第一期望值；参数化量子线路，包括一层或多层量子门，每层量子门包括参数化ry门和cnot门，cnot门作用在相邻量子比特之间；测量单元，作用在最后一个量子线路上，用于测量分别在i基、x基y基和z基下的期望值。
24、如上所述的量子线路，所述第二类子线路包括：编码线路，在编码线路中第一个量子线路中输入切割量子比特的本征矢，所述编码线路中n-1路将初始化的量子比特应用ry（ezi）门，所述ezi为第i个第一量子线路的期望值；参数化量子线路，包括多层量子门，每层量子门包括参数化ry门和cnot门，cnot门作用在相邻量子比特之间；参数化ry门，分别作用在最后两个量子线路上；测量单元，分别作用在最后两个量子线路上，用于测量最后两个量子线路分别在z基下的期望值和；其中，利用第一类线路的期望值、期望值和确定所述待预测数据的分类标签。
25、根据本技术的另一方面，提出一种计算设备，包括：处理器；存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的基于分布式量子计算的数据分类方法。
26、根据本技术的另一方面，提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机指令，当所述计算机指令被处理器执行时实现如上所述的基于分布式量子计算的数据分类方法。
27、本技术通过数据切割，减少了单个量子线路的计算负担，量子比特切割使得计算资源得到了进一步优化利用，提升了计算效率和准确性。另外，多个量子线路可以同时进行计算，充分利用了量子计算的并行处理的能力，体现了分布式计算的优势。并且，通过两层量子神经网络的深度学习处理，能够实现对数据分类的高精度预测。
1.一种基于分布式量子计算的数据分类方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，将多组子数据输入所述第一量子神经网络中，每组子数据被分配至对应第一计算节点中的第一量子线路并行运算，以获得每个第一计算节点在z基下的第一期望值，包括：
3.根据权利要求1所述的方法，其特征在于，所述第二量子线路根据至少一个第一期望值和切割量子比特的密度矩阵计算得到第二期望值。
4.根据权利要求1所述的方法，其特征在于，将多个第一期望值输入所述第二量子神经网络中，每个第一期望值被分配至对应第二计算节点中的第二量子线路并行运算，以获得第二计算节点在特定基下的第二期望值，包括：
5.根据权利要求1所述的方法，其特征在于，将多个第一期望值输入所述第二量子神经网络中，每个第一期望值被分配至对应第二计算节点中的第二量子线路并行运算，以获得第二计算节点在特定基下的第二期望值，包括：
6.根据权利要求5所述的方法，其特征在于，将至少一个第一期望值输入第二量子线路中的第一类子线路计算得到第二期望值，包括：
7.根据权利要求5所述的方法，其特征在于，将至少一个第一期望值输入第二量子线路中的第二类子线路计算得到第二期望值，包括：
8.根据权利要求5所述的方法，其特征在于，根据多个第二期望值的乘积结果，确定待预测数据的分类标签，包括：
9.一种基于分布式量子计算的数据分类装置，其特征在于，包括：
10.根据权利要求9所述的装置，其特征在于，所述第一量子线路包括：
11.根据权利要求9所述的装置，其特征在于，所述第二量子线路包括：第一类子线路和第二类子线路，所述第一类子线路包括：
12.根据权利要求11所述的装置，其特征在于，所述第二类子线路包括：
13.一种计算设备，其特征在于，包括：
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机指令，当所述计算机指令被处理器执行时实现权利要求1-8中任一所述的基于分布式量子计算的数据分类方法。
