首页|基于量子变分电路的量子编码与量子卷积算法研究

基于量子变分电路的量子编码与量子卷积算法研究

姚昱彤

基于量子变分电路的量子编码与量子卷积算法研究

姚昱彤1
扫码查看

作者信息

  • 1. 中国科学院大学
  • 折叠

摘要

近年来,量子机器学习相关研究得到了快速发展,许多研究者利用量子状态的叠加和量子算法的加速来解决当前数据科学中数据量巨大、训练过程缓慢的困难。随着量子计算机在计算规模和稳定性上的突破,基于量子算法的机器学习算法的研究进一步受到关注,其中量子神经网络(Quantum Neural Network,QNN)是其重要的研究方向。量子卷积神经网络(Quantum Convolutional Neural Network,QCNN)作为QNN的一个重要分支,尽管在近些年有了很多突破,但是算法精度有限。另外,如何将经典数据编码进量子态中也是算法研究中一个具有挑战性的问题,这不仅要考虑算法的设计还要考虑硬件方面的具体实现。 本文就量子卷积神经网络和量子编码算法展开研究,主要工作及创新点如下: (1)为了提升基于多尺度纠缠重正化假设(Multi-scale Entanglement Renormalization Ansatz,MERA)的量子卷积神经网络在图片分类任务上的准确率,提出了一种基于辅助量子比特的量子卷积神经网络(Ancilla-Qconv)。在模型结构上,Ancilla-Qconv通过在辅助量子比特上添加参数化旋转门、CNOT门、Toffoli门和池化层,增加了网络的纠缠度和可训练性,并通过三个不同数据集上的对比实验,验证了模型能提升图片分类任务的精度。另外,研究中将二分类推广到了多分类,将两种不同的量子多分类算法进行了对比,并探究了不同Toffoli 门的分解方式对模型的影响,总结归纳了Toffoli门和XYZ门对模型训练的影响。 (2)为了提升编码图像的质量,提出了一种基于量子傅里叶变换(Quantum Fast Fourier Transform,QFFT)的量子编码算法。该算法模型主要包括QFFT模块、图像增强模块和逆QFFT模块。QFFT模块将量子态从时域变换到频域,图像增强模块利用加法器、减法器、量子态复制、移位模块并采用高频滤波实现钝化滤波达到了图像增强的目的,之后使用逆量子傅里叶变换模块将量子态从频域变换回时域。通过图像可视化可以看出,所设计的图像增强模块使得图像高频部分增强,清晰度有所提升。将经过处理的图片与(1)中给出的量子卷积神经网络结合进行图片的二分类实验,实验结果表明此模块提升了分类精度。 本课题中提出了基于辅助量子比特的量子卷积神经网络,有效的提高了量子电路在图片二分类上的精度,并探讨了不同量子门在量子电路中发挥的作用。另外还提出了基于量子傅里叶变换的量子编码算法,在量子电路上实现了图像增强的效果,具有重要的科研价值。

关键词

量子机器学习/量子变分电路/量子卷积神经网络/量子编码

引用本文复制引用

授予学位

硕士

学科专业

电子信息

导师

孙应飞

学位年度

2023

学位授予单位

中国科学院大学

语种

中文

中图分类号

TP
段落导航相关论文