.png){kind=icon}
返回
Quantum convolutional neural network for classical data classification
.png){kind=icon}
OA
AI
DOI：10.1007/s42484-021-00061-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着量子机器学习的快速发展，出现了一些针对卷积神经网络 (CNN) 的量子模拟的建议。在这项工作中，我们对经典数据分类的完全参数化的量子卷积神经网络 (qcnn) 进行基准测试。特别是，我们提出了一种受CNN启发的量子神经网络模型，该模型在整个算法中仅使用两量子位相互作用。我们研究了各种QCNN模型的性能，这些模型通过参数化量子电路的结构，量子数据编码方法，经典数据预处理方法，MNIST和时尚MNIST数据集上的成本函数和优化器来区分。在大多数情况下，尽管具有少量的自由参数，QCNN仍实现了出色的分类准确性。在相似的训练条件下，QCNN模型的表现明显优于CNN模型。由于这项工作中提出的QCNN算法利用了完全参数化和浅深度的量子电路，因此适用于嘈杂的中尺度量子 (NISQ) 设备。
Keyword:
Quantum machine learning
Convolutional neural network
Deep learning
期刊
Q
IF:
4.4
论文数:
451
被引数:
796
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容