【技术实现步骤摘要】
一种软量子神经网络系统及模式识别方法
[0001]本专利技术涉及模式识别
，尤其涉及一种软量子神经网络系统及模式识别方法。
技术介绍
[0002]软计算是一种包含模糊逻辑、遗传算法、人工神经网络、机器学习和专家系统等技术的方法集合。从1980年第一次被提出到现在，它已经成为了自动控制工程的一个主要的研究领域。软计算旨在利用容忍不精确、不确定性和部分真实性来解决复杂问题，以达到处理问题的简易性、鲁棒性和低成本。这一方法提供了一个用于展现人类面对不确定的现实时思考中的模糊性的机会。其中，人工神经网络在大数据和高算力的赋能下，在近些年更是以深度学习之名复兴，在自动控制、信号处理、模式识别和辅助决策等领域都取得了巨大成功。与此同时，在大数据时代，传统计算机的数据处理能力接近极限，而数据的规模和维度却在以指数级的速度增长，这给经典的机器学习技术带来了巨大挑战。探索量子计算在大数据处理和存储方面的优势以及和机器学习技术的结合有望提供新的解决方案。
[0003]量子机器学习是一门结合了量子计算和机器学习的新兴研究领域，目前正...
【技术保护点】
【技术特征摘要】
1.一种软量子神经网络系统，该系统由一个或多个量子处理器实施，其特征在于，该系统包括：包含多个软量子神经元的输入层和输出层，其中每个软量子神经元为一个物理上的量子比特，其量子态处于纯态或者混态；量子态输入单元，将经典数据编码制备得到具有其信息的量子比特集或接收经过前述制备得到的量子比特集作为输入；该量子比特集即为输入层各软量子神经元的初始化状态；量子态测量单元，用于在输出层之前的每一层中，对每一软量子神经元的量子态在计算基矢下进行测量得到测量结果0或1；对位于输出层的每个软量子神经元进行测量，测量结果为单次测量结果0或1及其经大量测量后得出的对应0或1的概率分布，将测量结果映射到已知的经典数据的标签值，给出模式识别任务的输出结果；第一操作单元，用于根据测量结果对有连接的软量子神经元之间定向地执行受控操作；第二操作单元，用于对连接有上一层软量子神经元的软量子神经元在经过其与所有来自上一层与其有连接的软量子神经元之间的受控操作完成后执行演化操作；优化单元，比较输出层的输出结果与已知的经典数据的标签值之间的差异，并在差异超出预设范围时通过调整所述第一操作单元的受控操作和/或第二操作单元的演化操作进行优化，直至差异在预设范围内。2.根据权利要求1所述的软量子神经网络系统，其特征在于：所述第一操作单元的受控操作具体为：除位于输入层的软量子神经元外，其他软量子神经元被初始化为；针对第层的第个软量子神经元，其测量结果记为，为0或1；若则向对与其有连接的下一层软量子神经元作用单位变换，若则作用任意的量子操作；其中，为待调参数，为所述优化单元需要优化的对象；所述第二操作单元的演化操作即为作用完所有来自上一层有连接的软量子神经元所施加的所述受控操作后，对该软量子神经元施加任意的、包含噪声的旋转门；其中为待调参数，为所述优化单元需要优化的对象。3.根据权利要求2所述的软量子神经网络系统，其特征在于：所述优化单元比较输出层的输出结果与已知的经典数据的标签值的差异，并进行优化；所述优化为对所述第一操作单元和所述第二操作单元中的待调参数进行调整，具体采用基于梯度的方法：通过定义损失函数来衡量所述差异，计算损失函数相对于待调参数的梯度，部分或全部将待调参数沿与梯度相反的方向进行调整。4.根据权利要求1所述的软量子神经网络系统，其特征在于：所述输入层的软量子神经元的数量根据输入数据的维度确定；设计输出层中软量子神经元的数目，确定从输入层至输出层演化的具体形式。5.根据权利要求1所述的软量子神经网络系统，其特征在于：多个软量子神经元的输入层和输出层之间还包括隐藏层，所述输入层的软量子神经元的数量根据输入数据的维度确
定；设计隐藏层的层数和各层中软量子神经元的数目以及输出层中软量子神经元的数目，确定从输入层、隐藏层至输出层演化的具体形式。6.根据权利要求1所述的软量子神经网络系统，其特征在于：所述量子态输入单元将经典数据编码制备得到具有其信息的量子比特集具体为：采用角度编码方式将经典数据的每一分量作为旋转门的角度，将旋转门作用到上，获得对应分量编码后的量子态。7.一种基于权利要求1～6任一所述的软量子神经网络系统的模式识别方法，其特征在于，包括以下步骤：（1）获取待分类的数据集；（2）将上述待分类的数据集输入预先训练好的软量子神经网络中；若待分类的数据集中的数据为经典数据，则根据其维度进行编码制备得到具有对应信息的量子比特集，再输入软量子神经网络中；若...
【专利技术属性】
技术研发人员：尹华磊，周民罡，刘志平，富尧，徐同恺，陈增兵，
申请(专利权)人：矩阵时光数字科技有限公司，
类型：发明
国别省市：
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。