摘要 — 量子机器学习仍然是量子计算领域中一个非常活跃的领域。其中许多方法已经将经典方法应用于量子设置,例如 QuantumFlow 等。我们推动这一趋势,并展示了经典卷积神经网络对量子系统的适应性——即 QuCNN。QuCNN 是一个基于参数化的多量子态的神经网络层,计算每个量子滤波状态和每个量子数据状态之间的相似性。使用 QuCNN,可以通过单辅助量子比特量子例程实现反向传播。通过在一小部分 MNIST 图像上应用具有数据状态和滤波状态的卷积层、比较反向传播的梯度并针对理想目标状态训练滤波状态来验证 QuCNN。索引术语 — 量子计算、量子机器学习、卷积神经网络
摘要 — 机器学习可以推动技术进步,造福不同的应用领域。此外,随着量子计算的兴起,机器学习算法已开始在量子环境中实现;现在称为量子机器学习。有几种尝试在量子计算机中实现深度学习。然而,它们并没有完全成功。然后,发现了一种结合了附加量子卷积层的卷积神经网络 (CNN),称为量子卷积神经网络 (QNN)。QNN 的性能优于经典 CNN。因此,QNN 可以实现比经典神经网络更好的准确度和损失值,并显示出它们对从其经典版本生成的对抗性示例的鲁棒性。这项工作旨在评估 QNN 与 CNN 相比的准确度、损失值和对抗鲁棒性。索引术语 — 量子卷积神经网络、量子神经网络、卷积神经网络
本报告是由美国政府某个机构资助的工作报告。美国政府或其任何机构、其雇员、承包商、分包商或其雇员均不对所披露信息、设备、产品或流程的准确性、完整性或任何第三方的使用或此类使用结果做任何明示或暗示的保证,或承担任何法律责任或义务,或表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务,并不一定构成或暗示美国政府或其任何机构、其承包商或分包商对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
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。
1 印度理工学院德里分校,新德里,印度 2 物理系,科学学院,Chouaib Doukkali 大学,El Jadida,摩洛哥 3 印度教育学院管理科学学院,加尔各答 700097,西孟加拉邦,印度 4 布巴内斯瓦尔国际信息技术学院,Gothapatna,布巴内斯瓦尔 751003,奥里萨邦,印度 5 贾坎德邦中央大学,Brambe,兰契,印度 6 Bikash's Quantum (OPC) Private Limited,Balindi,Mohanpur 741246,西孟加拉邦,印度 7 物理科学系,印度科学教育与研究学院加尔各答,Mohanpur 741246,西孟加拉邦,印度 8 物理科学系,印度科学教育与研究学院加尔各答,Mohanpur 741246,西孟加拉邦,印度 9 计算机科学与工程系,Maulana阿布尔卡拉姆阿扎德科技大学,加尔各答 700064,印度
1 国际信息技术学院布巴内斯瓦尔,Gothapatna,布巴内斯瓦尔 751003,奥里萨邦,印度 2 印度理工学院德里分校,新德里,印度 3 贾坎德邦中央大学,布兰贝,兰契,印度 4 物理系,科学学院,Chouaib Doukkali 大学,El Jadida,摩洛哥 5 印度教育学院管理科学学院,加尔各答 700097,西孟加拉邦,印度 6 Bikash's Quantum (OPC) Private Limited,Balindi,Mohanpur 741246,西孟加拉邦,印度 7 物理科学系,印度科学教育与研究学院加尔各答,Mohanpur 741246,西孟加拉邦,印度 8 物理科学系,印度科学教育与研究学院加尔各答,Mohanpur 741246,西孟加拉邦,印度 9 计算机科学与工程系,Maulana阿布尔卡拉姆阿扎德科技大学,加尔各答 700064,印度