机构名称：
¥ 1.0
I. 引言基于深度神经网络 (DNN) 的人工智能 (AI) 技术的飞速发展，通过分析用户的生理数据 [1]，如脑电图 (EEG) [2] 和肌电图 (EMG) [3]，实现了人机界面 (HMI) 包括脑机界面 (BCI) 的实用化。然而，此类生物信号很容易根据每个受试者的生物状态而变化 [4]。因此，典型的 HMI 系统通常需要频繁校准。为了解决这个问题，已经提出了采用领域泛化和迁移学习的主题不变方法 [5]–[11]，以减少 HMI 系统的用户校准。在本文中，我们首次在文献中将一个新兴的框架“量子机器学习 (QML)” [12]–[31] 引入到生物信号处理应用中，展望了未来的量子霸权时代 [32]，[33]。与传统数字计算机相比，量子计算机可以利用叠加和纠缠等量子机制实现计算效率更高的信号处理，不仅在执行时间方面，而且在能耗方面。在过去的几年中，一些供应商已经成功制造出商用量子处理单元 (QPU)。例如，IBM 在 2021 年发布了 127 量子比特 QPU，并计划到 2023 年生产 1121 量子比特 QPU。因此，QML 广泛应用于实际应用已不再遥远。最近，提出了基于变分原理 [34]–[37] 的混合量子-经典算法来处理量子噪声。本文的主要贡献总结如下：
quEEGNet：用于生物信号处理的量子人工智能
主要关键词
相关文件推荐
