基于参数化量子电路的量子卷积神经网络模型及应用

量子神经网络结合了量子计算与经典神经网络模型的各自优势,为人工智能领域的未来发展提供了一种全新的思路.本文提出一种基于参数化量子电路的量子卷积神经网络模型,能够针对欧几里得结构数据与非欧几里得结构数据,利用量子系统的计算优势加速经典机器学习任务.在MNIST数据集上的数值仿真结果表明,该模型具有较强的学习能力和良好的泛化性能....

Full description

Saved in:
Bibliographic Details
Published in控制理论与应用 Vol. 38; no. 11; pp. 1772 - 1784
Main Authors 郑瑾, 高庆, 吕颜轩, 董道毅, 潘宇
Format Journal Article
LanguageChinese
Published 北京航空航天大学自动化科学与电气工程学院,北京100191%北京航空航天大学自动化科学与电气工程学院,北京100191 01.11.2021
德国杜伊斯堡埃森大学自动控制与复杂系统所,杜伊斯堡47057%新南威尔士大学工程与信息技术学院,堪培拉2600%浙江大学控制科学与工程学院智能系统与控制研究所,浙江杭州310027
Subjects
量子机器学习;量子神经网络;量子卷积神经网络;量子图卷积神经网络
Online AccessGet full text
ISSN1000-8152
DOI10.7641/CTA.2021.10786

Cover

More Information
Summary:量子神经网络结合了量子计算与经典神经网络模型的各自优势,为人工智能领域的未来发展提供了一种全新的思路.本文提出一种基于参数化量子电路的量子卷积神经网络模型,能够针对欧几里得结构数据与非欧几里得结构数据,利用量子系统的计算优势加速经典机器学习任务.在MNIST数据集上的数值仿真结果表明,该模型具有较强的学习能力和良好的泛化性能.
ISSN:1000-8152
DOI:10.7641/CTA.2021.10786