基于量子卷积神经网络的图像识别新模型

为了解决卷积神经网络对内存和时间效率要求越来越高的问题,提出一种面向数字图像分类的新模型,该模型为基于强纠缠参数化线路的量子卷积神经网络。首先对经典图像进行预处理和量子比特编码,提取图像的特征信息,并将其制备为量子态作为量子卷积神经网络模型的输入。通过设计模型量子卷积层、量子池化层、量子全连接层结构,高效提炼主要特征信息,最后对模型输出执行Z基测量,根据期望值完成图像分类。实验数据集为MNIST数据,{0,1}分类和{2,7}分类准确率均达到了100%。对比结果表明,采用平均池化下采样的三层网络结构的QCNN模型具有更高的测试精度。

基于参数化量子电路的量子卷积神经网络模型及应用

量子神经网络结合了量子计算与经典神经网络模型的各自优势,为人工智能领域的未来发展提供了一种全新的思路.本文提出一种基于参数化量子电路的量子卷积神经网络模型,能够针对欧几里得结构数据与非欧几里得结构数据,利用量子系统的计算优势加速经典机器学习任务.在MNIST数据集上的数值仿真结果表明,该模型具有较强的学习能力和良好的泛化性能.

二维量子卷积计算

目前一维量子卷积计算不能满足当前机器学习、图像识别等算法的要求。由于量子卷积神经网络模型主要是处理多维信息,有必要将一维量子卷积的维数推广到二维,进行二维量子卷积计算的研究,使得量子卷积计算不受维数的影响,可以更好地应用于量子卷积神经网络。在量子计算中,量子态的叠加和纠缠使量子计算具有并行计算的能力,与一维量子卷积相比,二维量子卷积在并行计算中具有更高的优势,二维量子卷积计算更适合目前量子卷积神经网络中量子卷积层的研究与设计。在一维量子卷积计算的基础上,基于量子图像表示方法,探究了二维量子卷积计算的量子线路设计,设计了通用的二维量子卷积线路模型。由于经典信息不能直接用于量子计算,首先将经典信息进行量子化编码,处理后的量子信息输入到二维量子卷积计算的量子电路中,完成概率幅和加法计算,最后通过测量得到量子卷积的结果。二维量子卷积算法大大减少了卷积计算的步骤,提高了计算速度,增加了信息的存储空间。为量子卷积神经网络模型中量子卷积层的设计规则提供了理论依据,为高维量子卷积计算提供了参考和可能的途径。