机构名称：
¥ 1.0
量子卷积神经网络（QCNN）代表量子机学习中的一种有希望的方法，为量子和经典数据分析铺平了新方向。由于缺乏贫瘠的高原问题，训练量子神经网络（QNN）及其可行性，这种方法特别有吸引力。但是，将QCNN应用于经典数据时会产生一个限制。当输入量子数的数量为两个功率时，网络体系结构是最自然的，因为每个池层中的数量减少了两个倍。输入量子位的数量确定可以处理的输入数据的尺寸（即功能数量），从而限制了QCNN算法对现实世界数据的适用性。为了解决此问题，我们提出了一个QCNN体系结构，能够处理任意输入数据尺寸，同时优化量子资源（例如辅助量子器和量子门）的分配。这种优化不仅对于最大程度地减少计算资源很重要，而且在嘈杂的中间量子量子（NISQ）计算中至关重要，因为可以可靠地执行的量子电路的大小是有限的。通过数值模拟，我们基准了具有任意输入数据维度的多个数据集的各种QCNN体系结构的分类性能，包括MNIST，Landsat卫星，时尚 - 纳斯特和电离层。结果验证了提出的QCNN体系结构在利用最小资源开销的同时实现了出色的分类性能，当可靠的量子计算受噪声和缺陷限制时，提供了最佳解决方案。
模拟飞行任务中的认知负载识别
主要关键词
相关文件推荐
