一种基于误差缓解的量子神经网络的图像分类方法技术

本发明专利技术涉及量子神经网络技术领域，公开了一种基于误差缓解的量子神经网络的图像分类方法，具体方法包括：数据集预处理、经典特征向量载入、误差缓解、经典层判断、数据输出。本发明专利技术利用张量网络将输入的高维图像压缩为低维特征表示，以匹配变分量子线路的输入，最大限度的利用现有量子资源,为NISQ时代量子机器学习处理分析图像开辟出新的道路；使用基于检测的量子自动编码器过滤掉错误比特，大大缓解了量子线路中的噪声对算法结果的影响，算法分类的准确度明显提高，保证了算法的准确性；减少了训练参数的数量,与经典等效模型相比需要更少的参数，可以实现相对高效的优化数百万个参数的混合经典量子电路。数的混合经典量子电路。数的混合经典量子电路。

【技术实现步骤摘要】
一种基于误差缓解的量子神经网络的图像分类方法


[0001]本专利技术涉及量子神经网络
，尤其是一种基于误差缓解的量子神经网络的图像分类方法。

技术介绍

[0002]最近，量子计算已被用于机器学习，希望量子计算中的不确定性可以成为机器学习中基于概率的建模的一大优势，激励对噪声中尺度量子(NISQ)设备的新研究。近年来，当与NISQ设备一起使用时，变分量子电路(VQC)已成为深度量子学习的最有效方法之一。随着可用量子计算设备和量子变分算法的出现，量子机器学习研究已开始关注可在短期噪声中尺度量子(NISQ)设备中执行的混合经典量子算法。由于量子比特的数量有限，这些为最终实际使用NISQ设备进行机器学习应用铺平了道路。VQC可以使用经典优化方法进行训练，与典型神经网络拓扑相比，它们被认为具有一定的表达优势，包括基于量子状态的Hopfield网络及其使用量子加速矩阵反演的经典实现、递归量子神经网络、量子卷积神经网络和峰值量子神经网络。然而由于量子线路中存在大量噪声，会因此产生错误量子比特，影响算法最后的结果。所以，减少误差在量子神经网络中就显得十分重要。
[0003]在为此目的开发的许多技术中，子空间的概念是无处不在的。在量子纠错中，某些稳定器定义了一个子空间，在该子空间中验证量子状态：由子空间外的综合征测量检测到的损坏状态通过恢复操作进行纠正。或者，量子计算可以在无消相干子空间中进行，选择这些子空间是为了与某些环境噪声完全解耦，从而保护所需的操作。预计在嘈杂的中等规模量子(NISQ)时代，量子算法可以在大约50
–
100量子比特上完全成功运行。然而，在这种规模的算法上进行量子纠错需要更多的可控量子比特，这对技术提出了挑战。另一方面，无消相干子空间仅存在于选择性误差源，其抑制噪声的能力有限。这意味着需要一种更通用的方法，在有限数量的可控量子比特内减少不同类型的错误。鉴于此，我们提出了基于误差缓解的量子神经网络的图像分类方法。

技术实现思路

[0004]为了克服现有技术中存在的上述问题，本专利技术提出一种基于误差缓解的量子神经网络的图像分类方法。
[0005]本专利技术解决其技术问题所采用的技术方案是：一种基于误差缓解的量子神经网络的图像分类方法，包括如下步骤：
[0006]S1、对数据集进行预处理：使用张量网络将输入的高维图像压缩为低维特征表示，以匹配变分量子线路的输入；
[0007]S2、将经典特征向量载入量子线路：使用变分编码将特征向量编码到变分量子电路中；
[0008]S3、误差缓解：使用基于检测的量子自动编码器过滤掉错误比特；
[0009]S4、输出分类结果：对前四个量子比特进行测量，使用Softmax对恢复的数据进行
经典处理，以计算每个潜在类别的概率。
[0010]上述的一种基于误差缓解的量子神经网络的图像分类方法，所述S1中，对数据集进行预处理的具体方法包括如下步骤：
[0011]S1.1、将数据集中的输入图像展平为N维向量x＝(x1,x2,...,x
N
),并对每个分量进行归一化处理，使x
i
∈[0,1]；
[0012]S1.2、使用特征映射将经过归一化处理后的矢量映射到乘积态，具体的转换公式为：
[0013][0014]其中，|Φ(x)>表示通过使用特征映射得到的乘积态。
[0015]S1.3、MPS进一步处理以生成压缩表示，MPS作为特征提取程序,数据被编码为乘积态，乘积态与MPS签订合同，并生成类标签或输出，根据步骤S1.2中得到乘积态，然后通过以下操作将输入数据加载到MPS中：
[0016][0017]其中，f
(l)
(x)表示输入数据加载后的表示特征提取器近似值，表示输入图像每个像素点对应的乘积态。
[0018]上述的一种基于误差缓解的量子神经网络的图像分类方法，所述S2中，对经典特征向量载入量子线路的具体方法包括如下步骤：
[0019]S2.1、编码部分，首先使用Hadamard门创建无偏初始状态，然后通过单量子比特门R
y
(arctan(x
i
))和实现相位编码，其中旋转角的特征来自张量网络的输入，随后，使用参数优化的变分量子电路处理编码状态；
[0020]S2.2、变分部分，由用于纠缠每个量子比特量子态的CNOT门和表示一般单个量子比特幺正门R(α,β,γ)组成。
[0021]上述的一种基于误差缓解的量子神经网络的图像分类方法，所述S3中，误差缓解的具体方法包括如下步骤：
[0022]S3.1、首先将编码幺正算子U
e
应用于噪声量子态，压缩状态由变为其中ε表示量子态被破坏的概率，ε∈[0,1]，σ表示压缩量子态，ρ
err
表示误差项，表示解码幺正算子，U
e
表示编码幺正算子，表示压缩后的有噪量子态，表示有噪量子态，U
e
将无误差项转移到潜在子空间，而大多数误差仍在垃圾子空间中；
[0023]S3.2、错误检测并执行测量，将检测到错误量子比特并丢弃相应的量子数据，测量将状态投影到潜在子空间，从而检测并消除垃圾子空间中的误差；
[0024]S3.3、将解码幺正算子应用于σ
′
，以获得误码态可以写为：
[0025][0026]其中，ρ
′
表示误码态，ε表示量子态被破坏的概率，ε∈[0,1]，表示误差项到支持子空间的投影的迹，O(ε2)表示量子态被破坏的概率的平方阶，ρ表示理想量子态，表示误差项到支持子空间的投影。
[0027]上述的一种基于误差缓解的量子神经网络的图像分类方法，所述S4中，输出分类结果的具体方法包括如下步骤：
[0028]S4.1、将经过量子自编码器恢复后的前四个量子比特进行测量，将测量结果全部用全连接层传送给下一层，该测量部分将通过多次运行量子电路输出Pauli
‑
Z期望值；
[0029]S4.2、利用sigmoid函数把所有的得分值映射成一个概率值；
[0030]S4.3、根据概率值判断图像的类别。
[0031]本专利技术的有益效果是：1.该基于误差缓解的量子神经网络的图像分类方法中，利用张量网络将输入的高维图像压缩为低维特征表示，以匹配变分量子线路的输入,为NISQ时代量子机器学习处理分析图像开辟出新的道路，可以保证使用少量量子比特，即可实现对图像的分析和处理，通过利用张量网络和量子电路之间的对应关系，还可以根据量子资源的可用性调整经典量子边界，最大限度的利用现有量子资源；
[0032]2.该基于误差缓解的量子神经网络的图像分类方法中，由于量子自编码器的误差缓解特性，使用基于检测的量子自动编码器过滤掉错误比特，大大缓解了量子线路中的噪声对算法结果的影响，算法分类的准确度较其他量子分类算法有明显提高，保证了算法的准确性；
[0033]3.该基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于误差缓解的量子神经网络的图像分类方法，其特征在于，包括如下步骤：S1、对数据集进行预处理：使用张量网络将输入的高维图像压缩为低维特征表示，以匹配变分量子线路的输入；S2、将经典特征向量载入量子线路：使用变分编码将特征向量编码到变分量子电路中；S3、误差缓解：使用基于检测的量子自动编码器过滤掉错误比特；S4、输出分类结果：对前四个量子比特进行测量，使用Softmax对恢复的数据进行经典处理，以计算每个潜在类别的概率。2.根据权利要求1所述的一种基于误差缓解的量子神经网络的图像分类方法，其特征在于，所述S1中，对数据集进行预处理的具体方法包括如下步骤：S1.1、将数据集中的输入图像展平为N维向量x＝(x1,x2,...,x
N
),并对每个分量进行归一化处理，使x
i
∈[0,1]；S1.2、使用特征映射将经过归一化处理后的矢量映射到乘积态，具体的转换公式为：其中，|Φ(x)>表示通过使用特征映射得到的乘积态。S1.3、MPS进一步处理以生成压缩表示，MPS作为特征提取程序,数据被编码为乘积态，乘积态与MPS签订合同，并生成类标签或输出，根据步骤S1.2中得到乘积态，然后通过以下操作将输入数据加载到MPS中：其中，f
(l)
(x)表示输入数据加载后的MPS，表示特征提取器近似值，表示输入图像每个像素点对应的乘积态。3.根据权利要求1所述的一种基于误差缓解的量子神经网络的图像分类方法，其特征在于，所述S2中，对经典特征向量载入量子线路的具体方法包括如下步骤：S2.1、编码部分，首先使用Hadamard门创建无偏初始状态，然后通过单量子比特门R
y
(arctan(x
i
))和实现相位编码，其中旋转角的特征来自...

【专利技术属性】
技术研发人员：王淑梅，慕晓毅，于翼铭，曲英杰，马鸿洋，
申请(专利权)人：青岛理工大学，
类型：发明
国别省市：