CN112801281A - 基于量子化生成模型和神经网络的对抗生成网络构建方法 - Google Patents
基于量子化生成模型和神经网络的对抗生成网络构建方法 Download PDFInfo
- Publication number
- CN112801281A CN112801281A CN202110301666.0A CN202110301666A CN112801281A CN 112801281 A CN112801281 A CN 112801281A CN 202110301666 A CN202110301666 A CN 202110301666A CN 112801281 A CN112801281 A CN 112801281A
- Authority
- CN
- China
- Prior art keywords
- network model
- network
- model
- sample set
- generation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 238000013139 quantization Methods 0.000 title claims abstract description 12
- 238000010276 construction Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 22
- 239000002096 quantum dot Substances 0.000 claims abstract description 5
- 230000004913 activation Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 239000013589 supplement Substances 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 abstract 1
- 230000006870 function Effects 0.000 description 51
- 230000008569 process Effects 0.000 description 14
- 238000009826 distribution Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 230000003042 antagnostic effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000005428 wave function Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于量子化生成模型和神经网络的对抗生成网络构建方法，包括：(1)选定目标函数生成训练样本集，初始化生成和判别网络模型的参数向量；(2)根据目标函数选取量子比特纠缠对，构造量子生成网络模型的结构；(3)生成网络模型得到的生成样本集和训练样本集混合送入判别模型，由判别模型进行样本集判别；(4)根据对抗训练算法分别计算代价损失函数，通过梯度下降优化更新对应网络模型的参数向量；(5)若达到收敛标准则输出步骤(4)中得到的生成网络模型，否则返回步骤(3)。本发明在保留经典对抗生成网络算法优势的同时，结合了量子电路优越的并行计算能力降低了采样复杂度，是对于对抗生成网络模型的一个补充。
Description
技术领域
本发明涉及一种量子计算和机器学习技术，尤其涉及一种基于量子化生成模型和神经网络的对抗生成网络构建方法，属于量子机器学习技术领域。
背景技术
由于量子计算机展现出的卓越的计算性能，量子机器学习如今已经成为深度学习领域一个重要的研究方向。量子化的机器学习方法为传统的机器学习方法注入了强大的并行计算能力和数据存储能力。
对抗生成网络主要由生成模型和判别模型两个部分组成，为同时提高两个模型各自的能力，采用“对抗学习”的思想。生成模型根据判别模型给出的判定结果不断总结生成样本的特征，从而更新模型内参数以生成更加贴近目标函数的样本，而判别模型也不断总结输入样本的特征，进一步更新参数来提高网络本身的判别能力。
现在对于量子电路在生成网络方面以及神经网络方面的应用研究已经有一定的规模，2014年谷歌提出了一种通过两个模型进行交替训练生成样本并估计样本来自训练数据集的概率的新生成网络；2018年提出了一种构造深度较浅的量子生成网络且利用传统方法训练网络的理论；2018年，提出了一种全新的生成网络模型：玻恩机模型，该模型基于玻恩对于量子力学的统计学解释，将生成样本与训练集样本的最大均方误差作为损失函数通过多种不同的训练方法对网络进行训练。
上述研究从理论和实验上验证了构建量子对抗生成网络模型的可行性，为量子对抗生成网络提供了理论依据和实现方法。但是目前这些工作大部分基于经典的生成模型，主流工作中通常使用含有反卷积层或者上层采样层的网络来获取样本中的一些特征值，一般采用计算复杂度非常高的Markov过程实现平稳采样，而判别模型一般使用机器学习领域的经典Logistic回归模型、支持向量机等。目前对量子生成网络的研究不充分，一般集中于量子神经网络的领域，对于对抗生成模型的研究较少。
发明内容
技术问题：
为了克服现有技术中的不足，降低计算复杂度，将机器学习领域中的对抗生成网络与量子电路进行结合。本发明提出一种可以在量子计算机上实现的量子对抗生成网络模型，在生成模型部分采用量子电路的玻恩机模型，判别模型使用的是深度神经网络，采用“对抗学习”的思想，通过不断更新模型内参数，以生成更加贴近目标函数的样本。
技术方案
为了达到上述目的，本发明提出了一种基于量子化生成模型和深度神经网络的量子对抗生成网络的方法，包括步骤：
(1)选定目标函数并生成相应的训练数据样本集，随机初始化生成网络模型G和判别网络模型D的参数向量
和
其中生成网络模型G为含有N个量子比特的L层量子电路构成，判别网络模型D为ReLU激活函数和Sigmoid激活函数混合使用的深度神经网络结构；
(2)根据目标函数的训练数据样本集选取合适的量子比特纠缠对，构造生成网络模型G中每一层的旋转结构和纠缠结构；
(3)在生成的生成网络模型G输入端输入N比特量子纯态|0>，得到生成数据样本集，并和训练数据样本集混合生成混合数据样本集一起送入判别网络模型G中，由判别网络模型D估计样本来自训练数据样本集的概率D(x)∈[0，1]，其中x为判别网络模型G输入端的混合数据样本集，当判别网络模型D判定输入样本来自训练数据样本集则D(x)＝1，当判别网络模型D判定输入样本来自生成数据样本集则D(x)＝0；
(4)根据对抗训练算法分别计算生成网络模型G和判别网络模型D的代价损失函数，通过梯度下降优化代价损失函数，并更新生成网络模型G和判别网络模型D的参数向量
和
具体步骤如下：
(4.1)固定生成网络模型G，判别网络模型D的代价损失函数为：
其中Pdata代表真实分布的目标函数，
代表由参数向量
定义的生成网络模型所产生的数据样本集；在实际训练过程中，采用批量梯度下降的方式，将平均代价损失函数定义为：
其中nD为每一次批量梯度下降时的样本数据量，x(i)代表训练数据样本集，z(i)代表生成网络模型G输入端的输入量子比特，G(z(i))代表生成网络模型G生成的生成数据样本集，m为训练数据样本集中样本数量；
(4.2)梯度下降优化判别网络模型D的代价损失函数，最大化代价损失函数，梯度更新的过程定义为：
其中αD为训练判别网络的学习速率；
(4.3)固定判别网络模型D，生成网络模型G的代价损失函数由如下公式计算：
在实际训练过程中，根据量子电路中估计梯度方法，使用由两批电路参数θ+、θ-分别产生的数据x+和x-来估计梯度：
其中nG为每一次批量梯度下降时的样本数据量；
(4.4)梯度下降优化生成网络模型G的代价损失函数，最小化代价损失函数，梯度更新的过程定义为：
其中αG为训练生成网络的学习速率；
(4.5)交替更新生成网络模型G和判别网络模型D的参数向量
和
(5)若判别模型D的输出值D(x)收敛于
或损失函数收敛于最小值，则输出步骤(4)中最后得到的生成网络模型的参数向量
得到所需的生成网络模型，若未达到标准则返回步骤(3)继续更新生成网络模型G和判别网络模型D的参数向量，直至达到收敛标准。
所述步骤(2)中构造纠缠结构的方法如下：
纠缠比特对的选取基于数据本身的概率特性，本发明中参考量子玻恩机模型的方式，采取树形的拓扑结构来选取纠缠比特对，通过计算目标分布的真实数据集中比特间的互信息并将此作为权重，把数据集中的每一比特作为树的节点构建比特间的最大生成树，从而选取纠缠比特对。
有益效果：
由上可知，本发明提供了一种基于量子化生成模型和深度神经网络的量子对抗生成网络构建方法，量子电路构建的生成模型所拟合的分布可以直接使用量子系统本身的波函数幅值平方进行模拟，可以直接在网络的输出端进行采样，避免了Markov过程而引入极高采样复杂度的问题。该方法简单明了且易于实现，在保留经典对抗生成网络算法“对抗训练”优势的同时，结合了量子电路优越的并行计算能力，该种模型可以看做是对于对抗生成网络模型的一个补充。
附图说明
图1为本发明的工作流程图；
图2为本发明中量子对抗生成网络训练算法的流程图；
图3为本发明实施例中量子生成网络模型每一层的构造；
图4为本发明实施例中不同网络层数的量子生成网络模型梯度下降结果。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示为一种基于量子化生成模型和深度神经网络的量子对抗生成网络的方法的工作流程图，包括如下步骤：
(1)选定目标函数并生成相应的训练数据样本集，随机初始化生成网络模型G和判别网络模型D的参数向量
和
其中生成网络网络G为含有N个量子比特的L层量子电路构成，判别网络模型D为ReLU激活函数和Sigmoid激活函数混合使用的深度神经网络结构；
(2)根据目标函数的数据集选取合适的量子比特纠缠对，构造量子生成网络模型G中每一层的旋转结构和纠缠结构；具体方法如下：
纠缠比特对的选取基于数据本身的概率特性，本发明中参考量子玻恩机模型的方式，采取树形的拓扑结构来选取纠缠比特对，通过计算目标分布的真实数据集中比特间的互信息并将此作为权重，把数据集中的每一比特作为树的节点构建比特间的最大生成树，从而选取纠缠比特对。
(3)在生成模型输入端输入N比特量子纯态|0〉，得到生成数据样本集z，并和训练数据样本集混合一起送入判别网络模型G中，由判别网络模型D估计样本来自训练集的概率D(x)，其中x为判别网络模型G输入端的混合数据样本集；
(4)根据对抗训练算法分别计算生成网络模型G和判别网络模型D的代价损失函数，通过梯度下降优化代价损失函数，并更新生成网络模型G和判别网络模型D的参数向量
和
(5)若判别网络模型D的输出值D(x)收敛于
或损失函数收敛于最小值，则输出步骤(4)中最后得到的生成网络模型的参数向量
得到所需的量子生成网络模型，若未达到标准则返回步骤(3)继续更新生成网络模型G和判别网络模型D的参数向量，直至达到收敛标准。
上述流程步骤(4)中对抗训练算法的具体流程图如图2所示，包括依次执行以下步骤：
(S1)固定生成网络模型G，判别网络模型D的代价函数由如下公式计算：
其中Pdata代表真实分布的目标函数，
代表由参数向量
定义的生成网络模型所产生的数据样本集；在实际训练过程中，采用批量梯度下降的方式，将平均代价函数定义为：
其中nD为每一次批量梯度下降时的样本数据量；
(S2)梯度下降优化生成网络模型D的代价函数，最大化代价损失函数，梯度更新的过程定义为：
其中αD为训练判别网络的学习速率；
(S3)固定判别网络模型D，生成网络模型G的代价函数由如下公式计算：
在实际训练过程中，根据量子电路中估计梯度方法，使用由两批电路参数θ+、θ-分别产生的数据x+和x-来估计梯度：
其中nG为每一次批量梯度下降时的样本数据量；
(S4)梯度下降优化生成网络模型G的代价函数，最小化代价损失函数，梯度更新的过程定义为：
其中αG为训练生成网络的学习速率；
(S5)交替更新生成网络模型G和判别网络模型D的参数向量
和
所述步骤(S3)中的量子电路估计梯度方法如下：
生成网络模型G的代价函数由如下公式计算：
其中
是定义生成网络模型的参数向量；JG对于单独的参数
梯度可由如下公式计算：
对于由参数θ定义的量子电路网络模型，其梯度可表示为：
则代价损失函数对参数的梯度表示为：
本发明中使用由两批电路参数θ+、θ-分别产生的数据x+和x-来估计梯度：
其中nG为每一次批量梯度下降时的样本数据量。
以目标函数为离散标准高斯分布为例，具体说明本发明的具体实施。
为了达到上述目的，本发明提出了一种基于量子化生成模型和深度神经网络的量子对抗生成网络构建方法，包括步骤：
(1)选定目标函数为标准离散高斯分布(μ＝0，σ＝1)，并生成服从该分布的相应的训练数据样本集，随机初始化生成网络模型G和判别网络模型D的参数向量
和
其中生成网络模型G为含有4个量子比特的多层量子电路构成，本发明实例中选取了L＝1,3,5,7四种情况；判别网络模型D为含有3个隐含层的深度神经网络结构，其中前两层的激活函数为ReLU，最后一层为Sigmoid激活函数，判别网络模型D规格为[100，8，4，1]；
(2)对于含有4个量子比特的量子电路，根据目标函数标准离散高斯分布采用Chow-Liu树结构，通过计算真实数据集中比特间的互信息并将此作为权重，把数据集中的每一比特作为树的节点构建比特间的最大生成树，得到的量子比特对选取结果为：Pairs＝[(0，2)，(1，3)，(3，0)]，即在(0，2)、(1，3)、(3，0)这三对比特对间添加具有纠缠效果的受控非门，作为每一层量子生成网络模型的纠缠层，如图3所示；
(3)在生成模型输入端输入4比特量子纯态|0>，采样得到维度为1×100生成数据样本集z，并和训练数据样本集混合一起送入判别网络模型G中，由判别网络模型D估计样本来自训练集的概率D(x)，其中x为判别网络模型G输入端的混合数据样本集；
(4)根据对抗训练算法分别计算生成网络模型G和判别网络模型D的代价损失函数，通过梯度下降优化代价损失函数，并更新生成网络模型G和判别网络模型D的参数向量
和
具体步骤如下：
(4.1)固定生成网络模型G，在实际训练过程中，采用批量梯度下降的方式，将判别网络模型D平均代价函数定义为：
本发明实例中nD＝10为每一次批量梯度下降时的样本数据量；
(4.2)梯度下降优化判别网络模型D的代价函数，最大化代价损失函数，梯度更新的过程定义为：
其中αD为训练判别网络的学习速率，本实例中取7.5×10-2；
(4.3)固定判别网络模型D，在实际训练过程中，根据量子电路中估计梯度方法，使用由两批电路参数θ+、θ-分别产生的数据x+和x-来估计梯度，生成网络模型G的代价函数由如下公式计算：
本发明实例中nG＝10为每一次批量梯度下降时的样本数据量；
(4.4)梯度下降优化生成网络模型G的代价函数，最小化代价损失函数，梯度更新的过程定义为：
其中αG为训练生成网络的学习速率，本实例中取5×10-2；
(4.5)交替更新生成网络模型G和判别网络模型D的参数向量
和
本发明实例中分别进行100次迭代训练；
(5)本发明实例中依据设定好的迭代训练次数，采取总迭代周期10次，每一周期内对于生成网络模型G和判别网络模型D分别进行100次迭代训练，即停止训练并给出对应的模型梯度下降结果如图4所示，经过训练后生成网络模型G和判别网络模型D的代价损失函数逐渐收敛于相同的数值，即随着训练次数增加，生成网络模型生成的样本在判别网络模型中以接近
的概率被判定为真实样本，验证本发明实例的可行性；
K-L散度是一种评判两个概率分布之间差异的标准，对于随机变量X的两个概率P(x)和Q(x)，其K-L散度定义为
使用Pdata和PG之间的K-L散度作为衡量生成网络模型拟合目标分布的标准，其中Pdata代表真实分布的目标函数，PG代表生成的样本；评判模型性能如下表所示：
表1评判模型性能
| 生成网络层数 | 迭代周期 | 迭代步数 | 样本数量 | K-L散度 |
| L＝3 | 10 | 100 | 10 | 0.438798342437 |
| L＝5 | 10 | 100 | 10 | 0.06392374467 |
| L＝7 | 10 | 100 | 10 | 0.2320278179 |
本发明实例中所构建的量子对抗生成网络模型对于目标函数有较为良好的拟合效果，生成网络模型层数和迭代步数对于量子对抗生成网络模型的性能有一定影响。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于量子化生成模型和神经网络的对抗生成网络构建方法，其特征在于：包括如下步骤：
(1)选定目标函数生成训练数据样本集，随机初始化生成网络模型G和判别网络模型D的参数向量
和
所述生成网络模型由含有N个量子比特的L层量子电路构成；
(2)根据目标函数的训练数据样本集选取量子比特纠缠对，构造生成网络模型G中每一层的旋转结构和纠缠结构；
(3)在生成网络模型G输入端输入N比特量子，得到生成数据样本集，并和训练数据样本集混合为混合数据样本集一起送入判别网络模型D中，由判别网络模型D估计样本来自训练数据样本集的概率D(x)，其中x为判别网络模型G输入端的混合数据样本集；
(4)根据对抗训练算法计算生成网络模型G和判别网络模型D的代价损失函数，通过梯度下降优化代价损失函数，并更新生成网络模型G和判别网络模型D的参数向量
和
(5)若判别网络模型D的输出值D(x)收敛或代价损失函数值收敛于最小值，则输出步骤(4)中最后得到的生成网络模型的参数向量
得到所需的量子生成网络模型，若未达到标准则返回步骤(3)直至达到收敛标准。
2.根据权利要求1所述的基于量子化生成模型和神经网络的对抗生成网络构建方法，其特征在于，所述判别网络模型D为ReLU激活函数和Sigmoid激活函数混合使用的深度神经网络结构。
3.根据权利要求1所述的基于量子化生成模型和神经网络的对抗生成网络构建方法，其特征在于，步骤(2)中构造纠缠结构的方法如下：采取树形的拓扑结构来选取纠缠比特对，通过计算目标分布的训练数据样本集中比特间的互信息并将此作为权重，把训练数据样本集中的每一比特作为树的节点构建比特间的最大生成树，从而选取纠缠比特对。
4.根据权利要求1所述的基于量子化生成模型和神经网络的对抗生成网络构建方法，其特征在于，步骤(4)中对抗训练算法如下：
(4.1)固定生成网络模型G，判别网络模型D的代价损失函数；
(4.2)梯度下降优化生成网络模型D的代价损失函数，最大化代价损失函数；
(4.3)固定判别网络模型D，生成网络模型G的代价损失函数；
(4.4)梯度下降优化生成网络模型G的代价损失函数，最小化代价损失函数；
(4.5)交替更新生成网络模型G和判别网络模型D的参数向量
和
5.根据权利要求4所述的基于量子化生成模型和神经网络的对抗生成网络构建方法，其特征在于，步骤(4.1)中生成网络模型G，判别网络模型D的代价损失函数为
其中nD为每一次批量梯度下降时的样本数据量，x(i)代表训练数据样本集，z(i)代表生成网络模型G输入端的输入量子比特，G(z(i))代表生成网络模型G生成的生成数据样本集，m为训练数据样本集中样本数量。
6.根据权利要求4所述的基于量子化生成模型和神经网络的对抗生成网络构建方法，其特征在于，步骤(4.3)中判别网络模型D，生成网络模型G的代价损失函数为
其中nG为每一次批量梯度下降时的样本数据量，数据x+和x-为由两批电路参数θ+、θ-分别产生的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110301666.0A CN112801281A (zh) | 2021-03-22 | 2021-03-22 | 基于量子化生成模型和神经网络的对抗生成网络构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110301666.0A CN112801281A (zh) | 2021-03-22 | 2021-03-22 | 基于量子化生成模型和神经网络的对抗生成网络构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112801281A true CN112801281A (zh) | 2021-05-14 |
Family
ID=75817320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110301666.0A Pending CN112801281A (zh) | 2021-03-22 | 2021-03-22 | 基于量子化生成模型和神经网络的对抗生成网络构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801281A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113449778A (zh) * | 2021-06-10 | 2021-09-28 | 北京百度网讯科技有限公司 | 用于量子数据分类的模型训练方法以及量子数据分类方法 |
| CN113517040A (zh) * | 2021-07-12 | 2021-10-19 | 北京百度网讯科技有限公司 | 量子本征求解器的实现方法、装置及电子设备 |
| CN113676266A (zh) * | 2021-08-25 | 2021-11-19 | 东南大学 | 一种基于量子生成对抗网络的信道建模方法 |
| CN114496227A (zh) * | 2022-01-26 | 2022-05-13 | 电子科技大学 | 基于量子神经网络的病情发展预测系统及平台 |
| CN115700614A (zh) * | 2021-07-30 | 2023-02-07 | 合肥本源量子计算科技有限责任公司 | 一种量子生成器、控制方法及量子生成对抗网络 |
| WO2023125857A1 (zh) * | 2021-12-30 | 2023-07-06 | 本源量子计算科技（合肥）股份有限公司 | 基于机器学习框架系统的模型训练方法及相关设备 |
| CN118114773A (zh) * | 2024-04-30 | 2024-05-31 | 山东海量信息技术研究院 | 文本生成方法、装置、设备及计算机程序产品 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030224384A1 (en) * | 2001-11-13 | 2003-12-04 | Khalid Sayood | Divide and conquer system and method of DNA sequence assembly |
| CN107767384A (zh) * | 2017-11-03 | 2018-03-06 | 电子科技大学 | 一种基于对抗训练的图像语义分割方法 |
| CN107945133A (zh) * | 2017-11-30 | 2018-04-20 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
| CN109544450A (zh) * | 2018-11-09 | 2019-03-29 | 武汉烽火众智数字技术有限责任公司 | 一种对抗生成网络构建方法及装置、图像重构方法及装置 |
| CN109829541A (zh) * | 2019-01-18 | 2019-05-31 | 上海交通大学 | 基于学习自动机的深度神经网络增量式训练方法及系统 |
| CN110345921A (zh) * | 2019-06-12 | 2019-10-18 | 中国农业大学 | 立体视场视觉测量及垂轴像差和轴向像差校正方法及系统 |
| CN110458185A (zh) * | 2019-06-26 | 2019-11-15 | 平安科技（深圳）有限公司 | 图像识别方法及装置、存储介质、计算机设备 |
| US20200012926A1 (en) * | 2018-07-05 | 2020-01-09 | Hitachi, Ltd. | Neural network learning device and neural network learning method |
| CN110765267A (zh) * | 2019-10-12 | 2020-02-07 | 大连理工大学 | 一种基于多任务学习的动态不完整数据分类方法 |
| CN111553587A (zh) * | 2020-04-26 | 2020-08-18 | 中国电力科学研究院有限公司 | 一种基于对抗学习模型的新能源场景生成方法及系统 |
| CN111814907A (zh) * | 2020-07-28 | 2020-10-23 | 南京信息工程大学 | 一种基于条件约束的量子生成对抗网络算法 |
| CN112434637A (zh) * | 2020-12-04 | 2021-03-02 | 上海交通大学 | 基于量子计算线路和LiDAR点云分类的物体识别方法 |
-
2021
- 2021-03-22 CN CN202110301666.0A patent/CN112801281A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030224384A1 (en) * | 2001-11-13 | 2003-12-04 | Khalid Sayood | Divide and conquer system and method of DNA sequence assembly |
| CN107767384A (zh) * | 2017-11-03 | 2018-03-06 | 电子科技大学 | 一种基于对抗训练的图像语义分割方法 |
| CN107945133A (zh) * | 2017-11-30 | 2018-04-20 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
| US20200012926A1 (en) * | 2018-07-05 | 2020-01-09 | Hitachi, Ltd. | Neural network learning device and neural network learning method |
| CN109544450A (zh) * | 2018-11-09 | 2019-03-29 | 武汉烽火众智数字技术有限责任公司 | 一种对抗生成网络构建方法及装置、图像重构方法及装置 |
| CN109829541A (zh) * | 2019-01-18 | 2019-05-31 | 上海交通大学 | 基于学习自动机的深度神经网络增量式训练方法及系统 |
| CN110345921A (zh) * | 2019-06-12 | 2019-10-18 | 中国农业大学 | 立体视场视觉测量及垂轴像差和轴向像差校正方法及系统 |
| CN110458185A (zh) * | 2019-06-26 | 2019-11-15 | 平安科技（深圳）有限公司 | 图像识别方法及装置、存储介质、计算机设备 |
| CN110765267A (zh) * | 2019-10-12 | 2020-02-07 | 大连理工大学 | 一种基于多任务学习的动态不完整数据分类方法 |
| CN111553587A (zh) * | 2020-04-26 | 2020-08-18 | 中国电力科学研究院有限公司 | 一种基于对抗学习模型的新能源场景生成方法及系统 |
| CN111814907A (zh) * | 2020-07-28 | 2020-10-23 | 南京信息工程大学 | 一种基于条件约束的量子生成对抗网络算法 |
| CN112434637A (zh) * | 2020-12-04 | 2021-03-02 | 上海交通大学 | 基于量子计算线路和LiDAR点云分类的物体识别方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113449778A (zh) * | 2021-06-10 | 2021-09-28 | 北京百度网讯科技有限公司 | 用于量子数据分类的模型训练方法以及量子数据分类方法 |
| CN113449778B (zh) * | 2021-06-10 | 2023-04-21 | 北京百度网讯科技有限公司 | 用于量子数据分类的模型训练方法以及量子数据分类方法 |
| CN113517040A (zh) * | 2021-07-12 | 2021-10-19 | 北京百度网讯科技有限公司 | 量子本征求解器的实现方法、装置及电子设备 |
| CN115700614A (zh) * | 2021-07-30 | 2023-02-07 | 合肥本源量子计算科技有限责任公司 | 一种量子生成器、控制方法及量子生成对抗网络 |
| CN113676266A (zh) * | 2021-08-25 | 2021-11-19 | 东南大学 | 一种基于量子生成对抗网络的信道建模方法 |
| CN113676266B (zh) * | 2021-08-25 | 2022-06-21 | 东南大学 | 一种基于量子生成对抗网络的信道建模方法 |
| WO2023125857A1 (zh) * | 2021-12-30 | 2023-07-06 | 本源量子计算科技（合肥）股份有限公司 | 基于机器学习框架系统的模型训练方法及相关设备 |
| CN114496227A (zh) * | 2022-01-26 | 2022-05-13 | 电子科技大学 | 基于量子神经网络的病情发展预测系统及平台 |
| CN114496227B (zh) * | 2022-01-26 | 2023-04-28 | 电子科技大学 | 基于量子神经网络的病情发展预测系统及平台 |
| CN118114773A (zh) * | 2024-04-30 | 2024-05-31 | 山东海量信息技术研究院 | 文本生成方法、装置、设备及计算机程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112801281A (zh) | 基于量子化生成模型和神经网络的对抗生成网络构建方法 | |
| CN109948029B (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
| CN109241313B (zh) | 一种基于高阶深度哈希学习的图像检索方法 | |
| CN112052936B (zh) | 基于生成对抗机制的强化学习探索方法及装置 | |
| CN110334580A (zh) | 基于集成增量的动态权重组合的设备故障分类方法 | |
| JP4790590B2 (ja) | 収束基準を利用する多目的最適化のためのモデルベースおよび遺伝ベースの子孫生成の組み合わせ | |
| CN112308961A (zh) | 基于分层高斯混合模型的机器人快速鲁棒三维重建方法 | |
| CN113676266B (zh) | 一种基于量子生成对抗网络的信道建模方法 | |
| CN114118567B (zh) | 一种基于双通路融合网络的电力业务带宽预测方法 | |
| CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
| CN113138555A (zh) | 一种基于遗传算法优化的grnn电主轴热误差建模方法 | |
| Zhang et al. | Evolving neural network classifiers and feature subset using artificial fish swarm | |
| CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
| CN111160461A (zh) | 基于模糊聚类的加权在线极限学习机大数据分类方法 | |
| CN114004336A (zh) | 基于增强变分自编码器的三维射线重构方法 | |
| CN114004153A (zh) | 一种基于多源数据融合的侵彻深度预测方法 | |
| CN115272774A (zh) | 基于改进自适应差分进化算法的对抗样本攻击方法及系统 | |
| CN115481727A (zh) | 一种基于进化计算的意图识别神经网络生成与优化方法 | |
| CN117290721A (zh) | 数字孪生建模方法、装置、设备及介质 | |
| Baioletti et al. | Smart multi-objective evolutionary GAN | |
| CN114186518A (zh) | 一种集成电路良率估算方法及存储器 | |
| Chattopadhyay et al. | Feature selection using differential evolution with binary mutation scheme | |
| CN117494428A (zh) | 一种改进ABC-Kriging的机械系统可靠性优化设计方法 | |
| CN115906959A (zh) | 基于de-bp算法的神经网络模型的参数训练方法 | |
| CN111353525A (zh) | 一种不均衡不完整数据集的建模及缺失值填补方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210514 |