译亚太杯分赛道五岳杯一等奖.pdfVIP

MachineTranslatedbyGoogle

2024年亚太地区数学建模竞赛

五岳杯量子计算挑战赛

问题

探索量子加速人工智能的前沿

量子计算在解决复杂问题方面具有巨大潜力，

处理大规模数据集，远远超过传统计算机的能力。当与人工智能

(AI)

结合时，量子计算可以带来革命性的

突破。其并行处理能力使得在更短的时间内解决更复杂的问题成为可能，这对于优化和增强人工智能具有重

要意义

算法。本次比赛旨在评估参赛者在量子计算领域的建模和解决问题的能力。通过具有挑战性的现实场景，我

们探索

量子计算与人工智能的协同作用将带来无限可能。

比赛由两部分组成，每部分涉及一个数据集和一个任务。参赛者需要制定相应的

QUBO（二次无约束

二元

优化）模型，并使用开物

SDK

提供的模拟退火算法进行求解。QUBO

模型适用于

CPQC（相干光子量子计

算机），

表示为：

最小

x

TQx，x

∈

0,1n

其中Q是系数矩阵。

比赛聚焦AI相关场景，将问题转化为QUBO形式

并使用

Kaiwu

SDK（一种专门用于解决

CPQC

上的

QUBO

模型的软件开发工具包）来解决这些问题。SDK

可

通过此链接访问（/）。

不同场景下

QUBO

建模的参考资料如下：

附件可以帮助参与者理解和应用这些概念。

1

MachineTranslatedbyGoogle

问题

1：德国信用评分数据集的特征选择（60

分）

背景

特征选择是人工智能中的关键步骤，特别是在处理

处理⾼维数据。通过选择最相关的特征，我们可以提⾼

预测模型的性能，同时降低复杂性和过度拟合。整合

量子计算可以为特征选择问题带来新的视角。

将选择问题转化为QUBO形式，量子计算可以加速

解决過程。

问题描述

德国信用评分数据集

（/dataset/144/statlog+german+credit+data）是经典的数据集

人工智能，包含描述个人各种特征的特征，以及他们的信用状况（好或坏）。你的任务是执行特征选择，以

使用

QUBO

建模的德国信用评分数据集。目标是识别

最大化分类性能，同时最小化所选特征的数量

特征。

您需要：

1.

将上述特征选择问题表述为

QUBO

模型。显然

定义目标函数和决策变量。

2.使用开物SDK的模拟退火算法求解上述QUBO模型。

3.

使用选定的特征训练分类模型并报告分类结果

准确性。

问题

2：探索量子计算与深度学习的融合

图像分类（40

分）

背景

图像分类是计算机视觉领域的一项基本任务，其中深度学习

模型实现了惊人的准确性。然而，优化这些模型通常需要

大量的计算资源。通过利用量子计算的优化

能力，可以开发更有效的训练和推理方法。

您需要：

2

MachineTranslatedbyGoogle

你的任务是专注于图像分类问题。你需要

选择特定的数据集，设计合适的深度学习模型和