该工作提出了量子-经典混合卷积神经网络(QCCNN)架构,并给出了适用任意量子-经典混合函数的自动微分框架。
QCCNN继承了CNN的基本框架,但把CNN中的关键步骤──特征提取函数filter替换为“量子特征提取函数 quantum filter”。
比如对于n×n 的特征窗口,量子特征提取函数首先通过比特编码将其编码成一个量子态,然后通过参数化量子线路演化量子态,最后通过期望值测量输出一个实数。
通过引入带参数的量子线路,增强卷积神经网络的性能。
量子-经典混合卷积神经网络架构示意图QCCNN具有以下3个重要特点:1)相比于其他受CNN启发的量子机器学习方案,QCCNN最大限度地继承了CNN的架构,如非线性、多层架构,相比于同样架构的CNN,QCCNN的特征提取函数可以在更大的空间提取特征,因而原则上QCCNN可以达到更高的学习精度,这一点在文中通过一个小型数据集得到了数值验证;2)由于CNN中的特征窗口尺寸通常不大,如3×3到9×9,量子特征提取函数可以比较容易地基于近期量子计算机实现;3)QCCNN没有量子计算机的输入输出问题。
另外,QCCNN架构也可以使用量子数据作为输入,在这种情况下,QCCNN可以在计算能力上实现相对于经典计算机的“量子优势”。
来源:两江科技评论
原文链接:http://mp.weixin.qq.com/s?__biz=MzU0NDgwMjI0MQ==&mid=2247499702&idx=3&sn=41c18f03699342118ad00b95de56f460
版权声明:除非特别注明,本站所载内容来源于互联网、微信公众号等公开渠道,不代表本站观点,仅供参考、交流、公益传播之目的。转载的稿件版权归原作者或机构所有,如有侵权,请联系删除。
电话:(010)86409582
邮箱:kejie@scimall.org.cn