量子神经网络的训练方法和数据分类方法技术

本申请公开了一种量子神经网络的训练方法和数据分类方法。该量子神经网络的训练方法包括获取样本数据及其对应的样本类别标签；利用量子神经网络中的特征提取层对样本数据进行特征提取；将提取到的样本特征输入至酉矩阵层，得到与样本特征对应的酉矩阵；基于酉矩阵对第一量子比特进行量子态调整，得到第二量子比特，该第一量子比特的量子态与样本类别标签对应；利用量子电路确定第二量子比特与第一量子比特的量子态保真度，进而确定损失值；根据损失值调整量子神经网络中的网络参数，直至量子神经网络收敛，得到训练后的量子神经网络。本申请实施例可以降低量子神经网络的训练难度和复杂度、量子神经网络的计算成本，以及出现贫瘠高原现象的概率。现贫瘠高原现象的概率。现贫瘠高原现象的概率。

【技术实现步骤摘要】
量子神经网络的训练方法和数据分类方法


[0001]本申请属于量子计算
，尤其涉及一种量子神经网络的训练方法和数据分类方法。

技术介绍

[0002]传统神经网络也简称为神经网络，它是由众多的神经元可调的连接权值连接而成的，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力的人工智能系统。
[0003]随着量子计算科学的发展，神经网络与之结合发展出新型的量子神经网络。经典量子神经网络依赖于数据的量子态制备、量子态数据的储存等技术，然而量子态制备过程常需要消耗额外的时间和空间复杂度，量子态数据储存也是一个巨大的技术难点，从而导致量子神经网络训练难度和复杂度较高。同时，经典量子神经网络中往往需要使用很多量子比特来表示不同的数据，而过多的量子比特不仅会导致高昂的计算成本，而且会导致训练时出现贫瘠高原现象。

技术实现思路

[0004]本申请实施例提供一种量子神经网络的训练方法和数据分类方法，能够降低量子神经网络的训练难度和复杂度，降低量子神经网络的计算成本，降低出现贫瘠高原现象的概率。
[0005]第一方面，本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种量子神经网络的训练方法，其特征在于，包括：获取用于训练量子神经网络的样本数据及其对应的样本类别标签，所述量子神经网络中包括特征提取层、酉矩阵层和量子电路；利用所述特征提取层对所述样本数据进行特征提取，得到样本特征；将所述样本特征输入至所述酉矩阵层，得到与所述样本特征对应的酉矩阵；基于所述酉矩阵对第一量子比特进行量子态调整，得到第二量子比特，其中，所述第一量子比特的量子态与所述样本类别标签对应；利用所述量子电路确定所述第二量子比特与所述第一量子比特之间的量子态保真度，根据所述量子态保真度确定损失值；根据所述损失值调整所述量子神经网络中的网络参数，返回执行所述获取用于训练量子神经网络的样本数据及其对应的样本类别标签，直至所述量子神经网络收敛，得到训练后的所述量子神经网络。2.根据权利要求1所述的方法，其特征在于，所述样本数据中包括与N个维度对应的N个特征数据，所述特征提取层中包括K个隐藏单元，其中，N和K为大于1的整数；所述利用所述特征提取层对所述样本数据进行特征提取，得到样本特征，包括：将所述N个特征数据输入至所述K个隐藏单元中的每个隐藏单元，利用所述每个隐藏单元对所述N个特征数据进行特征提取，得到K个样本子特征，其中，所述样本特征包括所述K个样本子特征；所述将所述样本特征输入至所述酉矩阵层，得到与所述样本特征对应的酉矩阵，包括：将所述K个样本子特征分别输入至所述酉矩阵层，得到与所述K个样本子特征对应的K个酉矩阵。3.根据权利要求2所述的方法，其特征在于，所述基于所述酉矩阵对第一量子比特进行量子态调整，得到第二量子比特，包括：将所述K个酉矩阵与所述第一量子比特进行连乘，得到第二量子比特。4.根据权利要求1所述的方法，其特征在于，所述量子电路中包括第一哈达玛门、第二哈达玛门和交换门；所述利用所述量子电路确定所述第二量子比特与所述第一量子比特之间的量子态保真度，包括：将预设的第三量子比特输入至所述第一哈达玛门，输出得到第一中间态量子比特；将所述第一量子比特和所述第二量子比特输入至所述交换门，并利用所述第一中间态量子比特对所述交换门进行控制，输出得到第二中间态量子比特；将所述第二中间态量子比特输入至所述第二哈达玛门，输出得到第四量子比特；对所述第四量子比特的量子态进行多次测量，得到多次测量结果；根据所述多次测量结果，确定测量结果为第三量子态的概率值，其中，所述第三量子态为所述第三量子比特的量子态；根据所述概率值计算所述第一量子比特与所述第二量子比特之间的量子态保真度。5.根据权利要求4所述的方法，其特征在于，所述利用所述第一中间态量子比特对所述交换门进行控制，包括：在所述第一中间态量子比特为第一量子态的情况下，控制所述交换门对所述第一量子
比特和所述第二量子比特的位置进行交换；在所述第一中间态量子比特为第二量子态的情况下，控制所述交换门保持所述第一量子比特和所述第二量子比特的位置不变。6.根据权利要求1
‑
5任一项所述的方法，其特征在于，所述酉矩阵层的表达式为：其中，α和β为调节参数，θ为输入特征，U(θ)为所述酉矩阵。7.根据权利要求6所述的方法，其特征在于，所述调节参数的值根据所述样本数据的数据特征确定。8.一种数据分类方法，其特征在于，包括：获取待分类的目标数据，输入到量子神经网络中，其中，所述量子神经网络中包括特征提取层、酉矩阵层和量子电路；利用所述特征提取层对所述目标数据进行特征提取，得到目标数据特征；将所述目标数据特征输入至所述酉矩阵层，得到与所述目标数据特征对应的酉矩阵；基于所述酉矩阵对第五量子比特进行量子态调整，得到第六量子比特；利用所述量子电路确定所述第六量子比特与所述第五量子比特之间的量子态保真度；根据所述量子态保真度确定所述目标数据所属的类别。9.根据权利要求8所述的方法，其特征在于，在所述第五量子比特的量子态为第四量子态，且所述第四量子态与第一类别对应的情况下，所述根据所述量子态保真度确定所述目标数据所属的类别，包括：在所述量子态保真度大于预设阈值的情况下，确定所述目标数据属于所述第一类别；在所述量子态保真度不大于所述预设阈值的情况下，确定所述目标数据属于除所述第一类别之外的第二类别。10.根据权利要求8所述的方法，其特征在于，所述目标数据中包括与N个维度对应的N个特征数据，所述特征提取层中包括K个隐藏单元，其中，N和K为大于1的整数；所述利用所述特征提取层对所述目标数据进行特征提取，得到目标数据特征，包括：将所述N个特征数据输入至所述K个隐藏单元中的每个隐藏单元，利用所述每个隐藏单元对所述N个特征数据进行特征提取，得到K个子特征，其中，所述目标数据特征包括所述K个子特...

【专利技术属性】
技术研发人员：艾博轩，汤韬，杨燕明，高鹏飞，郑建宾，
申请(专利权)人：中国银联股份有限公司，
类型：发明
国别省市：