.png){kind=icon}
返回
Variational Shadow Quantum Circuits Assisted Quantum Convolutional Neural Network
.png){kind=icon}
PRE
AI
DOI：10.1002/qute.202400510.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）作为一种突出的机器学习模型，通过完全利用数据的相关性信息，在图像分类和特征提取中至关重要。目前，CNN正面临计算速度慢、数据规模扩大以及对快速增长的希尔伯特空间解释性差等挑战。幸运的是，量子卷积神经网络（QCNN）有望通过结合量子计算的优越性与CNN的特征提取能力，为提高数据处理效率提供优雅的解决方案。然而，大多数现有的QCNN在有效提取全局特征方面能力较弱，而变分阴影量子电路（VSQC）恰好能较好地解决这个问题。因此，开发了一种由VSQC辅助的增强型QCNN（VSQC-QCNN）。具体而言，输入数据首先由VSQC模块进行预处理，以建立全局纠缠并提取有效特征。然后，输出阴影特征通过量子卷积层进行编码、量子电路演化和解码，并通过池化层降低特征结果的维度。当数据维度足够小时，将其输入全连接神经网络，通过激活函数进行分类预测。在VQNet量子框架下进行的MNIST数据集实验表明，VSQC-QCNN模型在损失函数、分类准确率和训练速度方面均优于原始QCNN。此外，证明VSQC-QCNN模型在不同电路深度、宽度和学习率下具有良好的收敛性和稳定性。值得注意的是，模型的分类平均准确率可高达99%（少数情况下甚至达到100%）。最后，在Fashion-MNIST和Iris数据集上进行的实验表明，所设计的模型具有良好的通用性。
Keyword:
convolutional neural network
image classification
quantum computing
quantum convolutional neural network
variational shadow quantum circuit
期刊
A
IF:
4.3
论文数:
523
被引数:
3.2K
机构
引用论文
A variational eigenvalue solver on a photonic quantum processor光子量子处理器上的变分特征值求解器.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
分享收藏Design, synthesis, and biological evaluation of novel substituted benzamide derivatives bearing a 1,2,3-triazole moiety as potent human dihydroorotate dehydrogenase inhibitors具有1,2，3-三唑部分的新型取代苯甲酰胺衍生物作为有效的人二氢乳清酸脱氢酶抑制剂的设计，合成和生物学评价
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
查看更多内容