.png){kind=icon}
返回
QMDUC: quantum multi-channel data uploading convolution for image classification
.png){kind=icon}
PRE
AI
DOI：10.1088/1402-4896/ae5579.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
混合量子-经典卷积神经网络（HQCNNs）通过将量子电路嵌入经典CNN的卷积核中，利用量子计算增强特征提取，在图像分类方面展现出巨大潜力。尽管该方法在当前嘈杂中等规模量子（NISQ）硬件限制下为实现量子优势提供了可行路径，但现有HQCNNs仍面临关键挑战，包括分类精度有限及处理多通道数据时量子资源消耗过大。为解决这些问题，本文提出了量子多通道数据上传卷积（QMDUC）方法，该方法采用数据重上传技术优化量子数据编码策略，显著降低量子比特需求的同时保持复杂数据处理能力。QMDUC支持两种编码模式：通道优先QMDUC（CP-QMDUC）和数据优先QMDUC（DP-QMDUC），可灵活平衡量子比特数量与电路深度，从而提供适应不同量子硬件约束的定制化解决方案。在CIFAR-10三通道彩色图像数据集和Fashion-MNIST单通道灰度图像数据集上的实验验证表明，QMDUC在分类精度和量子资源效率两方面均显著优于现有HQCNN方法。具体而言，在低资源配置下，所提方法将量子比特需求降低约75%–95%，同时保持相当或更优的精度；在较高资源配置下，其峰值精度提升约10%，且量子比特消耗与现有方法相当，为计算机视觉领域量子机器学习的实际应用提供了有效的技术路径。
Keyword:
Quantum Multi-channel Data Uploading Convolution
Hybrid Quantum-Classical Neural Networks
Image Classification
Quantum Resource Efficiency
Data Encoding Strategies
期刊
IF:
2.6
论文数:
4.3K
被引数:
2.5W
机构
引用论文
.png){kind=icon}
Federated quanvolutional neural network: a new paradigm for collaborative quantum learning联合量化神经网络: 协作式量子学习的新范式
OAAI
OAAI分享收藏A Comprehensive Review of Quantum Circuit Optimization: Current Trends and Future Directions量子电路优化综述：当前趋势与未来方向OAAI
OAAI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
查看更多内容