[发明专利]一种基于量子卷积神经网络的图像识别系统及方法

说明书

本发明公开了一种基于量子卷积神经网络的图像识别系统及方法，通过量子态输入单元制备或读入编码输入图像信息的量子比特，通过量子卷积神经网络运算单元对量子比特进行操作，通过量子态测量单元对量子比特进行测量操作，给出输出结果，通过网络优化单元进行训练，以使得量子卷积神经网络的输出结果尽量接近期望输出。本发明利用量子态编码图像信息，通过基于量子电路构建的量子卷积神经网络来高效地提取图像特征以及进行特征映射，并进行图像识别，能够实现对图像数据或者编码图像信息的量子数据进行高效特征提取，用于快速处理大规模、高维度图像数据的图像识别任务。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于量子卷积神经网络的图像识别系统及方法。

背景技术

经典机器学习和深度学习技术已经成为当前大数据处理与分析的基础技术，在图像识别、自然语言处理、视频分析等领域发挥着重要的作用。随着大数据技术的日益发展，互联网及工业互联网的信息采集和产生设备的部署量日益增长，大数据的数据规模和数据维度都呈现指数级增长的趋势。由于经典计算具有有限的计算能力和存储资源，因而经典机器学习算法的应用也遇到了巨大的挑战。探索量子计算在大数据处理和机器学习中的应用有望拓展新的解决方案。

量子机器学习是量子计算和机器学习的交叉领域，目前正受到越来越广泛的关注。量子机器学习主要指通过量子计算硬件（包括量子退火计算机、光量子计算机和量子电路等）实现机器学习算法，从而能够更高效、智能地处理经典数据或者量子数据。基于叠加、纠缠和量子并行性等量子属性，量子机器学习有潜力实现超越经典机器学习技术的学习效率和判别效率，以应对信息化浪潮下日益增长的大数据智能处理需求。然而，量子计算所具有独特的性质使得经典机器学习算法无法直接在量子计算硬件上实施，需要设计新的构建方法和训练方法以建立量子机器学习算法。

卷积神经网络（Convolutional Neural Network, CNN）是经典机器学习技术中一种重要模型，尤其在图像处理和语音识别任务中具有优越性能。卷积神经网络具有两种特殊的网络层：卷积层和池化层，这两种网络层堆叠形成特殊的层级结构，使得卷积神经网络能够高效地从输入数据中提取结构化特征。此外，卷积神经网络所具有局部连接和权值共享的特点降低了网络模型的复杂度，能够显著提升模型的运算效率。

因此，在图像数据的规模和维度呈现指数级增长的严峻挑战下，借鉴经典卷积神经网络的结构特点，提供一种基于量子计算硬件的，能够充分挖掘量子计算潜力的，能够高效、智能地提取图像中结构化特征的图像识别算法是亟待解决的技术问题。

发明内容

有鉴于此，本发明提供了一种基于量子卷积神经网络的图像识别系统及方法，用以快速处理大规模、高维度图像数据的识别任务。

本发明提供的一种基于量子卷积神经网络的图像识别系统，包括：量子态输入单元、量子卷积神经网络运算单元、量子态测量单元以及网络优化单元；其中，

所述量子态输入单元，用于制备或读入对图像信息进行编码的量子比特；

所述量子卷积神经网络运算单元，包括多个量子神经网络层；其中，每个量子神经网络层为量子卷积层、量子池化层和量子全连接层中的任意一种；所述量子卷积神经网络运算单元用于对所述量子比特施加多种量子门或者多种量子测量操作；

所述量子态测量单元，用于对经过所述量子卷积神经网络运算单元操作后剩余的一个或多个量子比特施加量子测量操作，获取测量结果，并将测量结果映射到输入数据的期望输出值上，给出图像识别任务的输出结果；

所述网络优化单元，用于将所述量子态测量单元给出的输出结果与输入数据所对应的期望输出值进行比较，更新所述量子卷积神经网络运算单元中量子门的可调参数，并更新所述量子态测量单元中的可调参数。