[发明专利]一种基于量子线路的量子卷积神经网络的设计方法及系统

说明书

本发明涉及一种基于量子线路的量子卷积神经网络的设计方法及系统，属于量子计算领域。该方法为：S1：对待分类图像进行标准化处理，并按经典卷积方法对图像进行分区；S2：设计量子图像编码及卷积的量子线路，并对S1分区后的图像进行编码和处理；S3：对S2处理后的图像数据做池化处理，将多个量子比特上的特征信息提取到一个量子比特上；S4：设计量子全连接神经网络以对S3池化后的特征信息进行处理分析并对图像进行分裂。本发明通过量子数据重载的方法，对量子编码及制备进行优化，使得算法模型减少了量子比特数量的消耗，并且保留了经典卷积神经网络的部分连接及权值共享的特点，再不损失精度的前提下减少了线路中参数的数量。

技术领域

本发明属于量子计算领域，涉及一种基于量子线路的量子卷积神经网络的设计方法及系统。

背景技术

图像作为人类生活中最重要信息传输载体之一，是对现实生活中的各种事物和场景最直观、最清晰的展现，也是人们获取信息的重要手段。图像分类作为图像处理、机器学习及人工智能领域的基础，已成为一个重点和热点的研究方向。图像分类就是对图像经过一系列数学运算处理后从图像中得到其特征表达，以表征该图像属于某种预定义好的类别中某个类的分类问题。图像分类主要包括图像预处理、图像特征提取和分类器三个部分。传统的图像分类算法多是基于图像特征进行分类，并且图像特征都是人工提取的，这些由人工提取的特征泛化性较差，并且比较依赖于设计者的先验知识和对任务的主观认知理解。这种依靠人力来分析和研究数据的方式，显然已经无法满足大数据时代对处理效率的要求，机器学习技术使得人们能够利用计算机来智能化地分析和处理海量的数据。

深度学习在图像处理领域中有着巨大的优势，将量子神经网络与深度学习相结合，设计用于图像分类的量子机器学习算法具有重要的意义。卷积神经网络是深度学习中主要的图像处理模型。因此，使用基于参数化量子线路的神经网络代替经典卷积神经网络是将量子机器学习算法应用于图像分类的重要切入点。

发明内容

有鉴于此，本发明的目的在于提供一种基于量子线路的量子卷积神经网络的设计方法及系统。该方法对量子卷积神经网络线路进行优化，对量子卷积层使用量子数据重载的方法，以避开单个量子比特只提供两个态的简单叠加并且旨在布洛赫球内旋转的限制，使用单个量子比特就能够作为一个卷积核对图像相关区域进行特征提取。并且设计了量子池化层对特征进行降维提取，减少后续量子线路的参数量。提出的算法减少了整体量子线路的量子比特数量，并且在参数较少的时候就有着较好的模型性能，使其在当下含噪声的中等规模量子设备下更加容易实现。

为达到上述目的，本发明提供如下技术方案：

一种基于量子线路的量子卷积神经网络的设计方法及系统，该方法包括以下步骤：

S1：将待分类图像进行标准化处理，并按照经典卷积的方法对图像进行分区操作；

S2：设计量子图像编码及量子卷积层的量子线路以对图像进行编码和特征提取；

S3：设计量子池化层的量子线路，对经过量子卷积后的图像特征进行降维提取；

S4：对池化后的量子图像信息输入基于参数化量子线路搭建的量子全连接神经网络，以对图像进行分类。

可选的，所述S1具体为：

S11，将待分类图像进行标准化处理，所述的标准化及分区方法：将待分类图像的所有像素值标准化至[0,1]范围内，使图像信息能够在量子态中精确的表达；

S12，待分类图像进行标准化处理后，按照经典卷积的方法，一个4×4大小的图像，按照卷积核大小为3×3，卷积步长为1的规则，图像分出4个大小为3×3的区域。

可选的，所述S2具体为：