[发明专利]用于生成数据特征的模型

说明书

本申请实施例涉及用于生成数据特征的模型。根据本申请的一些实施例，一种用于生成数据特征的模型包括：生成对抗网络GAN模块，其对输入数据进行重建；以及门控循环单元GRU模块，其基于所述输入数据和经重建的输入数据生成数据特征，其中，所述GAN模块和所述GRU模块中的至少一者包括量子线路。本申请实施例提供的用于生成数据特征的模型可有效解决传统技术中遇到的问题。

技术领域

本申请实施例大体上涉及基于量子计算的学习模型，更具体地，涉及用于生成数据特征的模型。

背景技术

基于经典的GAN算法是人工智能领域的研究热点，被应用在多种应用场景，如生物医药、材料、神经科学等，然而这些模型的运行都需要消耗大量的计算资源。在过去算法运行的计算资源主要由电子集成电路制造的芯片提供，而随着电子遂穿效应对制程接近纳米极限后的制约，算力很难再持续提升。量子计算芯片是对电子芯片计算方式的补充，然而经典的GAN算法在量子芯片上的运行无法按照其在电子芯片上的方式进行处理。但目前相关研究较少。

因此，本申请提出一种用于生成数据特征的模型。

发明内容

本申请实施例的目的之一在于提供一种用于生成数据特征的模型，与传统的方法与模型相比，其可减少所使用的参数量，且所用的存储介质，即量子比特数目也大幅减少，同时提高了计算能力。

本申请的一实施例提供一种用于生成数据特征的模型，其包括：生成对抗网络GAN模块，其对输入数据进行重建；以及门控循环单元GRU模块，其基于输入数据和经重建的输入数据生成数据特征，其中，GAN模块和GRU模块中的至少一者包括量子线路。

根据本申请的一些实施例，其中GAN模块包括生成器线路和判别器线路。

根据本申请的一些实施例，其中量子线路包括量子卷积核、量子池化核、量子稠密核和量子启发模糊卷积核中的至少一者。

根据本申请的一些实施例，其中量子线路包括可学习参数化的泡利旋转门和受控门以实现量子态的纠缠。

根据本申请的一些实施例，其中输入数据经编码为量子态。

根据本申请的一些实施例，其中将输入数据编码为量子态包括：将输入数据转化为特征矩阵；对特征矩阵进行归一化操作以得到约化矩阵；将约化矩阵转化为Gram半正定矩阵；以及对Gram半正定矩阵进行L1-范数正则化。

根据本申请的一些实施例，其中GAN模块和所述GRU模块中的至少一者经优化而得到。

根据本申请的一些实施例，其中输入数据为脑电波数据和心电图数据中的至少一者。

根据本申请的一些实施例，其中数据特征为情绪识别的数据。

根据本申请的一些实施例，其中生成器线路使用损失函数L_G进行优化，其中其中e表示所述输入数据，p_e表示给定的真实的输入数据的数据分布，为损失函数的表示，δ(e，τ)表示基于阈值τ由e变换得到的数据。

根据本申请的一些实施例，其中判别器线路使用损失函数L_D进行优化，且其中e表示所述输入数据，p_e表示给定的真实的输入数据的数据分布，为损失函数的表示，δ(e，τ)表示基于阈值τ由e变换得到的数据，λp是一个表示惩罚项权重的超参数，表示所述判别器线路的梯度。

根据本申请的一些实施例，其中GRU模块使用交叉熵损失函数进行优化。

与现有技术相比，本申请实施例提供的用于生成数据特征的模型，利用量子计算对经典计算方式作为补充，可有效提高数据处理速度与准确度。

附图说明