[发明专利]一种用于图像识别的量子神经网络方法、系统及介质

权利要求书

1.一种用于图像识别的量子神经网络方法，其特征在于，所述方法包括：

量子态编码：对MNIST数据集数据进行预处理，并依据处理结果，转化为对应旋转门操作的角度信息；

构建量子神经网络：通过分解计算，优化量子神经网络的学习过程；

测量结果表征：通过测量结果，找出概率最大的量子态，实现图像识别。

2.根据权利要求1所述的方法，其特征在于，所述量子态编码包括：

步骤1：在编码之前，对MNIST数据集数据进行一个预处理，对数据集进行PCA处理；

步骤2：经过PCA处理之后，保留下最主要的7维，然后进行归一化处理，将数据归一到(-1，1)之间，得到数据x＝{x₀，x₁，…，x₆}；

步骤3：依据预处理后的数值信息，转化为对应旋转门操作的角度信息，即：

其中，和分别表示第i个量子比特在z和y方向的旋转角度；

这样得到每一个被编码的初始量子比特量子态为对于一个完整的图片信息编码后的量子态为7个初始量子比特的卷积

3.根据权利要求1所述的方法，其特征在于，所述构建量子神经网络包括：

步骤1：正向传播：

根据网络结构为：

U＝U_out·U_ent·U_k…U_ent·U₀，其中，U为整体的演化矩阵，U_out为最后一层单比特门作用，U_ent为双比特作用门合集，U_k表示第k层的单比特门作用算符，U₀表示第0层单比特门作用算符；

最后输出是：

U·|ψ_in＞＝|ψ_out＞，其中，|ψ_in＞和|ψ_out＞分别表示输入量子态和输出量子态；

这是正向传播的过程；

步骤2：定义损失函数：

其中，D表示需要学习的数据集，M表示每批次学习数据的数量；θ表示该网络需要学习的参数(和)，y表示学习数据的标签，i表示学习的第i个数据；

π(x；θ)表示的是正向传播后最高位比特测量结果是1的概率，具体定义为：

其中，p(q_n-1＝1，x，θ)表示对第n-1个量子比特测量结果出现为1的概率；

采用梯度下降方法进行参数的学习过程，即：

其中关键在于求解其中，t表示第t次迭代，η表示学习率；

依据损失函数的定义，可得：

步骤3：反向传播优化：

根据π(x；θ)函数的定义，得到：

其中，表示对求偏导然后整体求复共轭，Re{}表示取复数的实部；

其中可以进一步分解为：

其中，L表示网络最大的层数；

通过上面的定义和分解计算，确定了网络反向传播过程中的参数学习与优化。

4.根据权利要求1所述的方法，其特征在于，所述测量结果表征包括：

用4个量子比特进行表征，4个量子比特可以表征2⁴＝16个量子态，取其中(0-9)10个量子态表征0-9十个数字，其中概率最大的量子态表示相对应的向前传播后的输出结果。

5.一种用于图像识别的量子神经网络系统，其特征在于，所述系统包括：

量子态编码模块：对MNIST数据集数据进行预处理，并依据处理结果，转化为对应旋转门操作的角度信息；

构建量子神经网络模块：通过分解计算，优化量子神经网络的学习过程；

测量结果表征模块：通过测量结果，找出概率最大的量子态，实现图像识别。