← 返回题目列表

Codeforces · 1357/D1

D1. 量子分类 - 数据集 3

中文机器翻译题面 查看原题

给您一个训练数据集,其中每个条目都是一个特征向量(由 2 个实数组成的数组)和一个标签 0 或 1,指示该向量所属的类。

您的目标是使用此数据集来训练量子分类模型,该模型将准确地对验证数据集进行分类 - 使用与训练数据集相同的数据分布生成的不同数据集。使用模型对验证数据集进行分类的错误率(错误分类样本的百分比)应小于 5%。

- 此处记录了将使用您的模型对数据进行分类的量子分类库。
- 本教程有一个使用此库作为 Python 笔记本来训练模型的端到端示例。
- 热身回合社论讨论了解决热身回合中更简单的问题功能。
- 您可以在这里找到本轮 D 问题的测试工具的具体实现,包括预处理方法。
- 您可以在此处找到训练模型并将其用于分类的示例。

输入

您的代码不会获得任何输入。相反,您应该使用提供的数据集文件来训练您的模型。

训练数据集表示为 JSON 文件,由两个数组组成:“Features”和“Labels”。每个数组正好有 400 个元素。 “Features”数组的每个元素都是一个包含 2 个元素的数组,每个元素都是浮点数。 “Labels”数组的每个元素都是“Features”数组对应元素所属类的标签,0 或 1。

输出

您的代码应按以下格式返回您要使用的模型的描述:

- 使用元组 ((Int, Double[]), ControlledRotation[], (Double[], Double)) 描述模型。
- 元组的第一个元素描述了在将数据编码到量子分类器之前对数据执行的经典预处理。
- 元组的第二个元素将模型的电路几何结构描述为受控旋转门阵列。
- 元组的第三个元素描述模型的数字参数,是门使用的旋转角度数组和用于决定模型类别的偏差的元组。

您的代码应具有以下签名:

经典预处理

此步骤允许您在将数据编码为量子态并将其输入分类器电路之前向数据添加新功能。为此,您需要选择一种可用的预处理方法并返回其索引及其参数的元组。所有方法的参数都是Double[]。

- 方法 1:填充。生成的数据是参数和特征的串联。
- 方法 2:张量积。得到的数据是参数和特征的元素的成对乘积的数组。
- 方法 3:扇出。生成的数据是参数、特征和特征的张量积(这样您就可以访问特征的所有成对积)。
- 方法 4:分割扇出。生成的数据是(参数和特征的左半部分的串联)和(右半部分的串联)的张量积。
- 默认方法:无预处理。特征保持不变,参数被忽略。当返回 1-4 以外的任何索引时,使用此方法。

在预处理步骤之后,使用幅度编码将所得数据编码为量子态:数据的元素 $$$j$$$ 以基本状态 $$$|j\rangle$$$ 的幅度进行编码。如果数据数组的长度不是2的幂,则用$$$0$$$右填充到最接近的2的幂;用于编码的量子比特数是该幂的指数。

注意

请注意,在提交解决方案之前,大部分数据分析将“离线”进行。解决方案必须仅包含训练模型的描述,而不是训练代码本身 - 如果您在评估过程中尝试在提交的代码中“在线”训练模型,则很可能会超时。

离线训练模型可能涉及:

- 定义您的模型将使用的电路结构。
- 生成多个参数种子向量 - 模型将从其开始训练的值。
- 选择适当的训练过程超参数(学习率、批量大小、容差、最大迭代次数等)
- 训练多个分类模型(每个种子向量和超参数组合一个)
- 选择训练最好的模型并提交。