.png){kind=icon}
返回
Subspace preserving quantum convolutional neural network architectures
.png){kind=icon}
OA
AI
DOI：10.1088/2058-9565/adbf43.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
子空间保持量子电路是一类量子算法，它们通过依赖计算中的某些对称性，能够为其训练提供理论保证。这些算法因其能够提供多项式加速并可用于模拟经典机器学习算法而获得了广泛关注。在本工作中，我们提出了一种基于汉明重量（HW）保持量子电路的新型卷积神经网络架构模型。具体而言，我们引入了卷积层，以及基于测量的池化层，这些层在保持量子态对称性的同时，使用非子空间保持门实现非线性。我们的提案相比经典深度学习架构具有显著的多项式运行时间优势。我们提供了一个开源的HW保持量子电路模拟库，该库能够通过面向GPU的库更高效地模拟我们的技术。利用此代码，我们提供了架构示例，这些示例在复杂数字图像分类任务上表现出优异性能，且在量子比特数量有限以及参数少于经典深度学习架构的情况下实现。
Keyword:
quantum machine learning
subspace preserving
quantum convolutional neural network
quantum algorithm
期刊
IF:
5
论文数:
1.4K
被引数:
5.1K
机构
引用论文
分享收藏分享收藏分享收藏Gradient-based learning applied to document recognition基于梯度的学习在文档识别中的应用.png)
PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏分享收藏
查看更多内容