.png){kind=icon}
返回
A flexible quantum convolutional neural network
.png){kind=icon}
PRE
AI
DOI：10.1088/1751-8121/ae1eb8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
卷积神经网络（CNN）是机器学习的关键工具，尤其在计算机视觉领域。量子信息技术的发展为其在大规模数据处理方面提供了更多可能性。然而，如何在提升经典计算性能的同时平衡量子资源的有效利用与算法的灵活性，仍是一个重大挑战。本文提出了一种灵活的量子CNN算法。首先，介绍了一种基于量子叠加的数据加载方法，该方法能指数级降低空间需求。随后，设计了卷积层、池化层和全连接层的量子子程序，以完整复现经典CNN的核心功能。通过集成量子算法技术，基于特征位置信息恢复感受野的数据位置，确保窗口尺寸和步长的选择与经典模型一样灵活。此外，并行量子振幅估计和交换测试技术实现了并行特征提取。分析表明，该方法在较少内存下可实现数据规模的指数级加速。最后，在Qiskit框架上使用MNIST数据集中的手写数字图像对所提方法进行了数值模拟。实验结果为模型的有效性提供了证据。
Keyword:
quantum information processing
quantum machine learning
quantum convolutional neural network
quantum circuit
期刊
J
IF:
2.1
论文数:
255
被引数:
0
机构
引用论文
.png){kind=icon}
Near-term quantum computing techniques: Variational quantum algorithms, error mitigation, circuit compilation, benchmarking and classical simulation近期量子计算技术: 变分量子算法，误差缓解，电路编译，基准测试和经典仿真
PREAI
分享收藏
Quanvolutional neural networks: powering image recognition with quantum circuits量子卷积神经网络: 用量子电路为图像识别供电
PREAI
分享收藏
查看更多内容