[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

说明书

本发明提供了一种用于图像识别的量子神经网络方法、系统及介质，涉及量子神经网络方法技术领域，该方法包括：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。本发明能够使量子神经网络的结构逻辑更加清晰，易于实现，且学习效率更高。

技术领域

本发明涉及量子神经网络方法技术领域，具体地，涉及一种用于图像识别的量子神经网络方法、系统及介质。

背景技术

量子神经网络方法是量子方法与人工神经网络的相结合。量子计算利用了微观世界叠加与纠缠的量子效应，解决数学中的计算问题。量子方法相比较与经典方法，在寻找隐含子群问题上可以提供指数级加速能力，在搜索问题上可以提供几何级加速能力。因此一直以来，量子方法研究的重心在于如何更好的扩大这种指数级加速和几何级加速能力，然而，在一起其他问题上，例如机器学习中，初步研究表明量子方法还具有其他优势，比如更好的分类准确度，更深度的知识挖掘能力以及更高的记忆能力等。

但随着大数据时代的到来以及摩尔定律走到了物理极限，量子神经网络方法孕育而生，量子神经网络以更大的信息容量和高效的并行计算能力，可以更好的解决目前遇到的瓶颈问题。术语解释：量子态编码：即将传统的数值信息以一定的协议编码为对应的量子态。PCA：即主成分分析技术，又称主分量分析技术，旨在利用降维的思想，把多指标转化为少数几个综合指标。MNIST数据集是一个标准的手写数字图片集合，主要应用于图像识别的模型训练的标准数据集合。PCA：理解为降维处理，MNIST的每一个数据是一个28×28＝784维的数据。

针对上述现有技术，对于量子神经网络在国际上也有很多的研究，如图1所示，展示了现有技术中的量子神经网络结构，从图中可以看出，该网络使用的量子门G为任意幺正变换，双比特量子门为受控G门，可知现有的量子神经网络结构逻辑不够清晰，不易于实现，且学习效率较低。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种用于图像识别的量子神经网络方法、系统及介质，能够使量子神经网络的结构逻辑更加清晰，易于实现，且学习效率更高。

根据本发明提供的一种用于图像识别的量子神经网络方法、系统及介质，所述方案如下：

第一方面，提供了一种用于图像识别的量子神经网络方法，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。

优选的，所述量子态编码包括：

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；

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}；

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

优选的，所述构建量子神经网络包括：

正向传播：