.png){kind=icon}
返回
Complex-encoded quantum convolutional neural networks
.png){kind=icon}
PRE
AI
DOI：10.1007/s42484-025-00310-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着量子计算技术与经典机器学习（ML）的融合，多种量子卷积神经网络（QCNNs）已被提出。然而，在处理经典分类问题时，它们未能充分利用希尔伯特空间的性质。在本工作中，我们提出基于希尔伯特空间为复内积向量空间的特性，将经典实数数据编码为复向量数据。在此基础上，我们为当前两种主流纯QCNN设计了两种复编码模型。第一种模型CE-QCNN是一种全量子参数化卷积神经网络模型，另一种模型CE-QC-CNN使用量子操作实现经典的卷积和池化操作。与之前的QCNN模型相比，我们的两种模型均使用了更少的量子比特。此外，我们在MNIST数据集上实验验证了两种模型在分类任务中的潜力。为进一步说明其通用性，我们还使用CE-QCNN在CIC-MalDroid2020数据集上实现了恶意代码识别任务。
Keyword:
Data encoding
Quantum convolutional neural network
Quantum machine learning
Parameterized quantum circuits
期刊
Q
IF:
4.4
论文数:
440
被引数:
796
机构
引用论文
Amplitude transformed quantum convolutional neural network振幅变换量子卷积神经网络.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
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
分享收藏分享收藏Hybrid Quantum-Classical Convolutional Neural Network Model for Image Classification用于图像分类的量子-经典卷积神经网络混合模型
OAAI
OAAI分享收藏
查看更多内容