【技术实现步骤摘要】
一种二维量子卷积计算方法
本专利技术涉及量子卷积神经网络
，尤其是一种二维量子卷积计算方法。
技术介绍
量子机器学习(QML)领域在过去几年中发展迅速，国内外有影响力文献的增多就证明了这一观点。BrifC等将机器学习与量子力学优化控制相结合，提出量子控制领域观点并在物理和化学实验上取得成功。BiamonteJ等探索在量子机器学习领域设计和实现量子算法，使其比经典机器学习速率更快，但在硬件和软件上仍存在很大挑战。陆思聪、郑昱、王晓霆、吴热冰出版的量子机器学习控制理论与应用(2017,34(11)1429-1436)的提出，从数据结构、算法角度总结量子机器学习与经典学习的区别，总结并讨论了已有的研究成果；另有学者DunjkoV等从量子信息角度出发提出了一种系统地处理机器学习方法，解决了强化学习中的量子增强问题。机器学习算法由于维度的增加遭受计算瓶颈，而量子机器学习究其本质而言，测量结果趋向于概率结果，加上量子态的叠加与并行计算能力，其计算速率呈指数增加，量子机器学习有潜力成为整个机器学习应用程序管道中的强大组件。<...
【技术保护点】
1.一种二维量子卷积计算方法，其特征在于：包括有以下步骤：/n步骤一：将经典目标信息进行量子化编码处理，经典目标信息的像素值由量子态的概率幅表示，像素值的位置由量子态的基态表示：目标信息长M宽为V，卷积核长为N宽为R，且有M＞N、V＞R，当M＝N、V＝R时满足一维量子卷积计算结果，目标信息A
【技术特征摘要】
1.一种二维量子卷积计算方法，其特征在于：包括有以下步骤：
步骤一：将经典目标信息进行量子化编码处理，经典目标信息的像素值由量子态的概率幅表示，像素值的位置由量子态的基态表示：目标信息长M宽为V，卷积核长为N宽为R，且有M＞N、V＞R，当M＝N、V＝R时满足一维量子卷积计算结果，目标信息Ai表示在i位置上的像素值，卷积核Bj表示在j位置上的像素值，将目标信息按行展开得到列向量可以映射为含有m+v个量子比特的量子态|fm+v>；将卷积核按行展开得到列向量可以映射为含有n+r个量子比特的量子态|fn+r>；
步骤二：进行(m+v)-qbit与(n+r)-qbit量子信息卷积计算，其中m＞n、v＞r，设计二维量子卷积线路模型，Ql为一维量子卷积计算中概率幅置换，l为总的量子比特数，即l＝(m+v)+(n+r)，二维量子卷积计算线路模型具体步骤如下：
1)目标信息|fm+v>量子态与卷积核|fn+r>量子态进行张量积计算，将计算结果作为输入状态，即其功能完成传统卷积计算中相乘作用；
2)|fl>通过Ql置换、Dl置换共同完成量子卷积概率幅置换作用，其功能完成经典卷积计算中移位作用；
3)置换后的卷积核量子态的量子比特执行H门操作，目标信息量子态的量子比特执行单位阵操作，其功能完成经典卷积计算中相加作用；
4)对卷积核量子态进行测量，当测量结...
【专利技术属性】
技术研发人员：刘兴云，闫茜茜，王鹏程，
申请(专利权)人：湖北师范大学，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。