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。
量子机器学习是噪声中型量子 (NISQ) 时代量子计算最有前途的应用之一。在此,我们提出了一种受卷积神经网络 (CNN) 启发的量子卷积神经网络 (QCNN),与经典神经网络相比,它大大降低了计算复杂度,具有 O (( log 2 M ) 6 ) 个基本门和 O ( m 2 + e ) 个变分参数,其中 M 是输入数据大小,m 是滤波器掩码大小,e 是哈密顿量中的参数数量。我们的模型对于图像识别任务具有一定的噪声鲁棒性,并且参数与输入大小无关,这使其对近期的量子设备很友好。我们用两个明确的例子演示了 QCNN。首先,将 QCNN 应用于图像处理并对三种类型的空间滤波、图像平滑、锐化和边缘检测进行了数值模拟。其次,我们展示了 QCNN 在图像识别中的表现,即手写数字的识别。与前人的研究相比,该机器学习模型能够提供与特定经典卷积核精确对应的可实现量子电路,为将 CNN 直接转化为 QCNN 提供了有效途径,为大数据时代利用量子能力处理信息开辟了前景。
由于嘈杂的中间量子量子(NISQ)时代已经存在,因此量子神经网络(QNN)绝对是对许多经典神经网络无法解决的许多问题的承诺解决方案。此外,量子卷积神经网络(QCNN)现在正在受到很多关注,因为它可以处理与QNN相比的高维输入。但是,由于量子计算的性质,很难扩大QCNN以提取由于贫瘠的高原而提取足够数量的特征。这在具有高维数据输入的分类操作中尤其具有挑战性。但是,由于量子计算的性质,很难扩大QCNN以提取由于贫瘠的高原而提取足够数量的特征。这尤其是具有高维数据输入的分类操作中的挑战。为此,提出了一种新颖的3D可伸缩QCNN(SQCNN-3D),以用于分类应用中的点云数据处理。此外,在SQCNN-3D顶部还考虑了反向保真度训练(RF-Train),用于使用量子计算的保真度有限的Qubits多样化特征。我们的数据密集型性能评估验证了所提出的算法是否达到了所需的性能。
a 计算机科学学院,加拿大国际学院 (CIC),新开罗,埃及 b 计算机科学系,特洛伊大学科学技术学院,美国 摘要 多类图像分类被认为是计算机视觉中的一项具有挑战性的任务,需要将图像正确地分类到多个不同组之一。近年来,量子机器学习已成为研究人员关注的话题。利用叠加和纠缠等量子概念,量子机器学习算法提供了一种更有效的方法来处理和分类高维图像数据。本文提出了一种使用量子启发式卷积神经网络架构(简称 QCNN)的新图像分类模型。所提出的模型包括两个主要阶段;基于 QCNN 阶段的预处理和分类。采用具有不同特征的七个基准数据集来评估所提出模型的性能。实验结果表明,所提出的 QCNN 优于其经典版本。此外,与最先进的模型相比,结果证明了所提出的模型的有效性。 关键词 1 量子计算、卷积神经网络、图像分类、量子机器学习
在图像处理领域,众所周知的模型是卷积神经网络或CNN。设置该模型的独特好处是其使用数据中包含的相关信息的非凡能力。即使取得了惊人的成就,传统的CNN也可能在概括,准确性和计算经济方面进一步改善。但是,如果模型或数据维度太大,则正确训练CNN并快速处理信息可能具有挑战性。这是因为它将导致数据处理滞后。量子卷积神经网络(简称QCNN)是一种新颖的量子解决方案,可以增强现有学习模型的功能或解决需要将量子计算与CNN组合组合的问题。为了强调量子电路在提高特征提取能力方面的灵活性和多功能性,本文比较了针对基于图像的任务的深度量子电路体系结构,它使用经典的卷积神经网络(CNNS)和一种新颖的量子电路体系结构进行了比较。使用COVIDX-CXR4数据集用于训练量子CNN模型,并将其结果与其他模型的结果进行了比较。结果表明,当与创新的特征提取方法配对时,建议的深量子卷积神经网络(QCNN)在处理速度和识别精度方面优于常规CNN。即使需要更多的处理时间,QCNN就识别准确性而优于CNN。在对Covidx-CXR4数据集进行训练时,这种优势变得更加明显,证明了更深的量子计算有可能完全改变图像分类问题的潜力。
摘要 — 近年来,随着量子计算的稳步发展,量子处理器升级的路线图在很大程度上依赖于目标量子比特架构。到目前为止,与经典计算的早期类似,这些设计都是由人类专家精心设计的。然而,这些通用架构为定制和优化留出了空间,尤其是在针对流行的近期 QC 应用时。在经典计算中,定制架构已显示出比通用架构显著的性能和能效提升。在本文中,我们提出了一个优化量子架构的框架,特别是通过定制量子比特连接。这是第一项工作,它 (1) 通过将架构优化与最佳编译器相结合来提供性能保证,(2) 在现实串扰误差模型下评估连接定制的影响,以及 (3) 对近期感兴趣的现实电路进行基准测试,例如量子近似优化算法 (QAOA) 和量子卷积神经网络 (QCNN)。通过优化 QAOA 电路的重六边形架构,我们在模拟中实现了高达 59% 的保真度提升,网格架构的保真度提升高达 14%。对于 QCNN 电路,架构优化使重六边形架构的保真度提升了 11%,网格架构的保真度提升了 605%。
摘要 - 纠结神经网络(CNN)是计算机视觉中的流行模型,具有充分利用数据相关信息的优势。但是,如果数据或模型的给定维度太大,CNN的学习效率很大。量子卷积神经网络(QCNN)为使用量子计算环境或提高现有学习模型的性能的方向提供了解决问题的新解决方案。第一项研究将提出一个模型,以通过将CNN的结构应用于量子计算环境,从而有效地解决量子物理和化学中的分类问题。研究还提出了可以使用多尺度纠缠重归于ANSATZ(MERA)的O(log(log(n))深度计算的模型。第二项研究介绍了一种通过在现有计算机视觉中使用的CNN学习模型中添加量子计算来提高模型性能的方法。该模型也可以在小量子计算机中使用,可以通过在CNN模型中添加量子卷积层或用卷积层替换混合学习模型。本文还验证了QCNN模型是否能够通过使用Tensorflow量子平台使用MNIST数据集进行训练与CNN相比,是否能够有效学习。
过去几十年,深度学习和量子计算领域取得了重大突破。这两个领域的交叉研究引起了越来越多的关注,这导致了量子深度学习和量子启发式深度学习技术的发展。在本文中,我们通过讨论该领域各种研究工作的技术贡献、优势和相似之处,概述了量子计算和深度学习交叉领域的进展。为此,我们回顾并总结了为建模量子神经网络 (QNN) 和其他变体(如量子卷积网络 (QCNN))而提出的不同方案。我们还简要介绍了量子启发式经典深度学习算法的最新进展及其在自然语言处理中的应用。
Quantum机器学习(QML)已成为一个有前途的领域,它依靠量子计算中的发展来探索大型复杂的机器学习问题。最近,提出了一些纯量子机学习模型,例如量子卷积神经网络(QCNN),以对量子数据进行分类。但是,所有现有的QML模型都取决于对大规模和分布式量子网络无法很好地扩展的集中解决方案。因此,考虑到针对新兴的量子网络体系结构量身定制的更实用的量子联合学习(QFL)解决方案是一种方法。的确,鉴于计算量子的脆弱性质以及传输它们的困难,为量子网络开发QFL框架至关重要。在其实际的重要性之上,QFL可以通过利用现有的无线通信基础架构来分发量子学习。本文提出了第一个完全量子联合学习框架,该框架可以通过量子数据运行,因此以分散的方式共享量子电路参数的学习。首先,鉴于文献中缺少现有的量子联合数据集,提出的框架开始于生成具有分布式量子网络的第一个量子联合数据集,具有层次数据格式。然后,为共享QCNN模型的客户提供量子数据以执行分类任务。随后,服务器从客户端汇总了可学习的量子电路参数并执行联合平均。进行了广泛的实验,以评估和验证所提出的QFL溶液的有效性。这项工作是将Google的TensorFlow联合和TensorFlow量子组合到实际实现中的第一个。
• 量子增强数据处理:传统计算系统难以处理海量的 EO 数据。量子计算能够以指数级速度处理大量数据集,从而显著缩短处理时间,实现对关键环境指标的实时分析。 • 增强图像分析:量子计算可以促进高级图像分析技术的发展,包括快速物体识别、异常检测和趋势预测。这使 ESG 利益相关者能够迅速做出明智的决策。 • 量子卷积:量子卷积层可以对量子编码数据执行卷积运算,从而比传统算法更有效地提取空间特征。 • 量子算法:量子傅里叶变换和量子相位估计等量子算法可以集成到量子卷积神经网络 (QCNN) 中,以进一步提高其在数据压缩、特征提取和模式识别等任务中的性能,这些任务对于 ESG 监控至关重要。 • 数据安全的量子加密:保护 EO 数据完整性和隐私至关重要。量子密码学可以集成到卫星通信系统中,以确保最高程度的安全性,保护敏感信息免受潜在威胁。