CN114492760A - 基于量子门控循环神经网络的预测方法及装置 - Google Patents

基于量子门控循环神经网络的预测方法及装置 Download PDF

Info

Publication number
CN114492760A
CN114492760A CN202210116534.5A CN202210116534A CN114492760A CN 114492760 A CN114492760 A CN 114492760A CN 202210116534 A CN202210116534 A CN 202210116534A CN 114492760 A CN114492760 A CN 114492760A
Authority
CN
China
Prior art keywords
quantum
quantum wire
variational
time step
vqc
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
Application number
CN202210116534.5A
Other languages
English (en)
Inventor
赵翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Turing Intelligent Computing Quantum Technology Co Ltd
Original Assignee
Shanghai Turing Intelligent Computing Quantum Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Turing Intelligent Computing Quantum Technology Co Ltd filed Critical Shanghai Turing Intelligent Computing Quantum Technology Co Ltd
Priority to CN202210116534.5A priority Critical patent/CN114492760A/zh
Publication of CN114492760A publication Critical patent/CN114492760A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/08—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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于量子门控循环神经网络的预测方法，属于量子计算技术领域。因为该方法使用量子门控循环单元对特定信息的时间步及其生成的隐藏状态进行重置和更新，从而生成新的隐藏状态，并输出最终的预测结果，所以，该方法满足了门控循环神经网络算法中高度并行性的需求，并且计算资源消耗少，因此在量子芯片和电子芯片的协同工作中具有广泛应用。

Description

基于量子门控循环神经网络的预测方法及装置
技术领域
本发明涉及量子计算领域，具体涉及一种基于量子门控循环神经网络的预测方法及装置。
背景技术
目前，门控循环单元(GRU)是一种用于序列和时间依赖性数据建模的循环神经网络(RNN)，其有效性已得到广泛证实。由于GRU仍然不能完全解决梯度消失问题，同时其作为RNN的变体，有着RNN结构本身的一大弊端，即不可并行计算，这在数据量和模型体量逐步增大的未来，是RNN发展的关键瓶颈。
随着量子计算机的出现，利用量子线路优化的神经网络已在多个领域有所应用。然而，目前GRU的量子经典混合版本尚无。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供一种基于量子门控循环神经网络的预测方法及装置。
本发明提供了一种基于量子门控循环神经网络的预测方法，具有这样的特征：将包含特定信息的预定序列进行预处理得到特定信息对应的输入张量；初始化特定信息对应的时间步及隐藏状态；判断当前已经处理过的时间步是否小于预定序列的长度；若当前已经处理过的时间步小于预定序列的长度，则对输入张量进行切片操作，得到对应的降维输入向量；将降维输入向量输入到量子门控循环单元中进行计算，输出先前已处理的所有时间步对应的的隐藏状态；若当前已经处理过的时间步大于预定序列的长度，则执行下一步；对先前已处理的所有时间步对应的的隐藏状态进行线性变换，输出预测结果。
在本发明提供的方法中，还具有这样的特征：其中，量子门控循环单元包括第一量子线路、第二量子线路以及第三量子线路，第一量子线路用于筛选先前隐藏状态下需要保留的时间步；第二量子线路用于确定先前隐藏状态下需要保留的时间步与当前需要保留的时间步；第三量子线路用于确定先前隐藏状态下需要保留的时间步。
在本发明提供的方法中，还具有这样的特征：其中，第一量子线路包括第一变分量子线路、第二变分量子线路，第一量子线路的表达式如下：
rt＝σ(VQC1(xt)+VQC2(ht-1))
σ为激活函数，VQC1为第一变分量子线路，xt为t时刻的时间步，ht-1为t-1时刻的时间步生成的隐藏状态。
在本发明提供的方法中，还具有这样的特征：其中，第二量子线路包括第三变分量子线路、第四变分量子线路，第二量子线路的表达式如下：
nt＝tanh(VQC3(xt)+rt*VQC4(ht-1))
tanh为激活函数，VQC3为第三变分量子线路，rt为第一量子线路，VQC4为第四变分量子线路。
在本发明提供的方法中，还具有这样的特征：其中，第三量子线路的表达式如下：
zt＝σ(VQC5(xt)+VQC6(ht-1))
VQC5为第五变分量子线路，VQC6为第六变分量子线路。
在本发明提供的方法中，还具有这样的特征：其中，先前已处理的所有时间步对应的的隐藏状态的表达式如下：
ht＝(1-zt)*nt+zt*ht-1
zt为第三量子线路，nt为第二量子线路。
在本发明提供的方法中，还具有这样的特征：其中，任一变分量子线路均包括预定数目的参数化旋转模块与纠缠模块，参数化旋转模块用于提供变分量子线路可学习的参数；纠缠模块用于提供纠缠的多比特量子态。
在本发明提供的方法中，还具有这样的特征：其中，任一变分量子线路用于提取、压缩特定信息对应的时间步并对其生成的隐藏状态进行压缩，从而输出变分矢量，具体过程如下：将任意输入张量作为任一变分量子线路的相等叠加初始状态，并对其进行编码后输出对应的量子叠加态；将量子叠加态输入至参数化旋转模块与纠缠模块中进行幺正变换，输出变分矢量，经测量后输入至全连接神经网络，输出预测结果。
在本发明提供的方法中，还具有这样的特征：其中，预定的优化方式通过如下损失函数进行优化：
Figure BDA0003496679210000041
B是批次大小，L是预定序列长度，Nt是预测结果包含的个数，blj依次为批次b、序列位置l、预测结果j对应的数值。
本发明提供了一种基于量子门控循环神经网络的预测装置，具有这样的特征，包括：输入张量获取模块，用于将包含特定信息的预定序列进行预处理得到特定信息对应的输入张量；初始化模块，用于初始化特定信息对应的时间步及隐藏状态；时间步判断模块，用于判断当前已经处理过的时间步是否小于预定序列的长度；降维输入向量获取模块，用于对输入张量进行切片操作，得到对应的降维输入向量；先前已处理的所有时间步对应的的隐藏状态获取模块，用于将降维输入向量输入到量子门控循环单元中进行计算，输出先前已处理的所有时间步对应的的隐藏状态；预测结果获取模块，用于对先前已处理的所有时间步对应的的隐藏状态进行线性变换，输出预测结果。
发明的作用与效果
根据本发明所涉及的基于量子门控循环神经网络的预测方法，因为该方法使用量子门控循环单元对特定信息对应的时间步及其生成的隐藏状态进行计算，从而生成新的隐藏状态，并输出最终的预测结果，所以，该方法满足了门控循环神经网络算法中高度并行性的需求，并且计算资源消耗少，因此在量子芯片和电子芯片的协同工作中具有广泛应用。
根据本发明所涉及的基于量子门控循环神经网络的预测装置，因为该装置包含了先前已处理的所有时间步对应的的隐藏状态获取模块，并且该模块具有量子门控循环单元，该量子门控循环单元对特定信息的时间步及其生成的隐藏状态进行计算，从而生成新的隐藏状态，并输出最终的预测结果，所以，该装置满足了门控循环神经网络算法中高度并行性的需求，并且计算资源消耗少，因此在量子芯片和电子芯片的协同工作中具有广泛应用。
附图说明
图1是本发明的实施例中基于量子门控循环神经网络的预测装置的结构示意图；
图2是本发明的实施例中基于量子门控循环神经网络的预测方法的流程图；
图3是本发明的实施例中量子门控循环单元的结构示意图；
图4是本发明的实施例中第一量子线路的结构示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明作具体阐述。
<实施例>
图1是本发明的实施例中基于量子门控循环神经网络的预测装置的结构示意图。
如图1所示，本发明的实施例提供的基于量子门控循环神经网络的预测装置100包括输入张量获取模块10、初始化模块20、时间步判断模块30、降维输入向量获取模块40、先前已处理的所有时间步对应的的隐藏状态获取模块50、预测结果获取模块60。
图2是本发明的实施例中基于量子门控循环神经网络的预测方法的流程图。
如图1-2所示，输入张量获取模块10用于将包含特定信息的预定序列进行预处理，得到特定信息对应的输入张量，具体步骤如下：
步骤S1，将包含特定信息的预定序列进行预处理得到特定信息对应的输入张量。
在本实施例中，输入张量的形状为(bs，seq_len，n)，其中，bs是批处理大小(batchsize)，seq_len是预定序列长度(sequence length)，n是表示输入的特定信息的种类。具体地，利用现有的嵌入层技术将所有特定信息中每一种特定信息对应的字符编码为一个局部矢量，并将所有局部矢量合并为一个整体矢量，从而表示预定序列中任意时间步的整体信息。
初始化模块20用于初始化特定信息对应的时间步及隐藏状态，具体步骤如下：
步骤S2，将任意一种包含特定信息的时间步标号为零，并将初始隐藏状态初始化为零矢量。
时间步判断模块30用于判断当前已经处理过的时间步是否小于预定序列的长度，具体步骤如下：
步骤S3，判断已处理的特定信息对应的时间步是否小于预定序列的长度。
降维输入向量获取模块40用于对输入张量进行切片操作，得到对应的降维输入向量，具体步骤如下：
步骤S4，若判断得出已处理的特定信息对应的时间步小于预定序列的长度，则将步骤S1输出的输出张量进行切片操作(降维操作)，得到输出张量对应的降维输入向量，并执行步骤S5。
先前已处理的所有时间步对应的的隐藏状态获取模块50用于将降维输入向量输入到量子门控循环单元51中进行计算，从而输出先前已处理的所有时间步对应的的隐藏状态，具体步骤如下：
步骤S5，将降维输入向量输入到量子门控循环单元51中进行计算，从而输出先前已处理的所有时间步对应的的隐藏状态。
图3是本发明的实施例中量子门控循环单元的结构示意图。
如图3所示，本实施例提供的量子门控循环单元51包括第一量子线路52、第二量子线路53、第三量子线路54。
第一量子线路52用于筛选先前隐藏状态下需要保留的时间步，第一量子线路52包括第一变分量子线路521、第二变分量子线路522。
其中，第一量子线路52的表达式如下：
rt＝σ(VQC1(xt)+VQC2(ht-1))
σ为激活函数，VQC1为第一变分量子线路521，xt为t时刻的时间步，ht-1为t-1时刻的时间步生成的隐藏状态，VQC2为第二变分量子线路522。
图4是本发明的实施例中第一量子线路的结构示意图。
如图4所示，本实施例提供的第一量子线路52包括第一变分量子线路521与第二变分量子线路522。
图4a为第一变分量子线路的结构示意图。
如图4a所示，第一变分量子线路521用于提取特定信息对应的时间步xt并对其进行压缩，从而输出时间步对应的变分矢量，第一变分量子线路521包括参数化旋转模块5211、纠缠模块5212。
参数化旋转模块5211用于提供第一变分量子线路521可学习的参数，并将降维输入向量中的每个元素编码为量子叠加态。
在本实施利中，通过如下公式将降维输入向量编码为叠加量子态，具体公式如下：
Figure BDA0003496679210000081
其中，求和指标i是十进制的数，代表相应的基态的位串。n维的降维输入向量x＝(x1,...,xn)对应预定序列中的每一个时间步，并且n维输入向矢量x中的每一个元素将被用来生成两个旋转角度，比如，arctan(x1)，
Figure BDA0003496679210000082
第一个旋转角的生成通过旋转y轴(参数化泡利旋转门RY)得到，第二个旋转角的生成是通过旋转z轴(参数化泡利旋转门RZ)得到。通过给每一个量子比特施加两个旋转操作，使得作为相等叠加初始状态的输入向量x转变成对应的量子叠加态。
纠缠模块5212包括预定数目的控制非门5213和单比特旋转门(U)5214。
控制非门5213作用在量子叠加态中每一对相邻的量子比特上，或者间隔为一的量子比特上，从而创造出纠缠的多比特量子态。
单比特旋转门5214具有多个旋转角度，如α,β,γ，利用现有的优化方式对单比特旋转门5214中的旋转角度进行计算，并对前n个量子比特进行测量，输出的量子态为2n维矢量。重复对预定序列中的每一位置使用第一变分量子线路521，输出形状为(序列长度，2n)的矩阵。
其中，本实施例使用如下的损失函数对第一变分量子线路521中的旋转角度进行计算，具体如下：
Figure BDA0003496679210000091
B是批次大小，L是预定序列的长度，Nt是预测结果包含的个数，blj依次为批次b、序列位置l、预测结果j对应的数值。
图4b为第二变分量子线路的结构示意图。
如图4b所示，第二变分量子线路522的结构与第一变分量子线路521的结构相同，区别仅在于第二量子变分量子线路522用于提取、压缩第一变分量子线路521输入的时间步xt生成的隐藏状态ht-1并对该隐藏状态进行压缩，从而输出隐藏状态对应的变分矢量，在此不再赘述。
如图3所示，第二量子线路53包括第三变分量子线路531与第四变分量子线路532。
第二量子线路53用于确定先前隐藏状态下需要保留的时间步与当前需要保留的时间步。
在本实施例中，第二量子线路53的表达式如下：
nt＝tanh(VQC3(xt)+rt*VQC4(ht-1))
tanh为激活函数，VQC3为第三变分量子线路531，rt为第一量子线路52，VQC4为第四变分量子线路532。
在本实施例中，第三变分量子线路531与第一变分量子线路521的结构相同，第四变分量子线路532与第二变分量子线路522的结构相同，在此不再赘述。
第三量子线路54用于确定先前隐藏状态下需要保留的时间步，第三量子线路54的表达式如下：
zt＝σ(VQC5(xt)+VQC6(ht-1))
VQC5为第五变分量子线路541，VQC6为第六变分量子线路542，第五变分量子线路541与第一变分量子线路521的结构相同，第六变分量子线路542与第二变分量子线路522的结构相同，在此不再赘述。
在本实施例中，先前已处理的所有时间步对应的的隐藏状态的表达式如下：
ht＝(1-zt)*nt+zt*ht-1
zt为第三量子线路54，nt为第二量子线路53。
预测结果获取模块60用于对先前已处理的所有时间步对应的的隐藏状态进行线性变换，输出预测结果，具体步骤如下：
步骤S6，将先前已处理的所有时间步对应的的隐藏状态(对应的矩阵形状为(序列长度，2n))输入至全连接神经网络中，从而输出预测结果，其形状为(序列长度，m)，m为预测结果包含的目标数值的种类。
实施例的作用与效果
根据本实施例所涉及的基于量子门控循环神经网络的预测方法，因为该方法使用量子门控循环单元对特定信息的时间步及其生成的隐藏状态进行计算，从而生成新的隐藏状态，并输出最终的预测结果，所以，该方法满足了门控循环神经网络算法中高度并行性的需求，并且计算资源消耗少，因此在量子芯片和电子芯片的协同工作中具有广泛应用。
进一步地，因为量子门控循环单元具有第一量子线路、第二量子线路、第三量子线路，每个量子线路均包括两个变分量子线路。在任意变分量子线路中将特定信息对应的输入张量作为变分量子线路的相等叠加初始状态，并将该相等叠加初始状态编码为量子叠加态，量子叠加态通过预定数目的量子门，对变分量子线路中的参数进行计算，最后多次测量后输出先前已处理的所有时间步对应的的隐藏状态，并进行线性变换后，输出预测结果。所以，基于量子门控循环神经网络的预测方法可适用于海量数据的并行计算，并且在量子芯片和电子芯片的协同工作中具有广泛应用。
进一步地，因为在测量得到任意变分量子线路的变分矢量时，本实施例可以测量部分量子比特，也可以测量全部量子比特，所以，本实施例提供的测量方法可以实现降维输入向量的升维和降维。
根据本实施例所涉及的基于量子门控循环神经网络的预测装置，因为该装置包含了先前已处理的所有时间步对应的的隐藏状态获取模块，并且该模块具有量子门控循环单元，该量子门控循环单元对特定信息的时间步及其生成的隐藏状态进行计算，从而生成新的隐藏状态，并输出最终的预测结果，所以，该装置满足了门控循环神经网络算法中高度并行性的需求，并且计算资源消耗少，因此在量子芯片和电子芯片的协同工作中具有广泛应用。
进一步地，对于存储有计算机程序的存储介质，该计算机程序可以被设置为运行时执行本实施例提供的基于量子门控循环神经网络的预测方法。
进一步地，对于包含存储器和处理器的电子产品，该存储器中存储有计算机程序，并且该处理器被设置为运行其存储的计算机程序以执行本实施例提供的基于量子门控循环神经网络的预测方法。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。

Claims (10)

1.一种基于量子门控循环神经网络的预测方法，其特征在于，包括：
将包含特定信息的预定序列进行预处理得到所述特定信息对应的输入张量；
初始化所述特定信息对应的时间步及隐藏状态；
判断当前已经处理过的时间步是否小于所述预定序列的长度；
若所述当前已经处理过的时间步小于所述预定序列的长度，则对所述输入张量进行切片操作，得到对应的降维输入向量；
将所述降维输入向量输入到量子门控循环单元中进行计算，输出先前已处理的所有时间步对应的的隐藏状态；
若所述当前已经处理过的时间步大于所述预定序列的长度，则执行下一步；
对所述先前已处理的所有时间步对应的的隐藏状态进行线性变换，输出预测结果。
2.根据权利要求1所述的方法，其特征在于：
其中，所述量子门控循环单元包括第一量子线路、第二量子线路以及第三量子线路，
所述第一量子线路用于筛选先前隐藏状态下需要保留的时间步；
所述第二量子线路用于确定先前隐藏状态下需要保留的时间步与当前需要保留的时间步；
所述第三量子线路用于确定先前隐藏状态下需要保留的时间步。
3.根据权利要求2所述的方法，其特征在于：
其中，所述第一量子线路包括第一变分量子线路、第二变分量子线路，
所述第一量子线路的表达式如下：
rt＝σ(VQC1(xt)+VQC2(ht-1))
σ为激活函数，VQC1为第一变分量子线路，xt为t时刻的时间步，ht-1为t-1时刻的时间步生成的隐藏状态，VQC2为第二变分量子线路。
4.根据权利要求2所述的方法，其特征在于：
其中，所述第二量子线路包括第三变分量子线路、第四变分量子线路，
所述第二量子线路的表达式如下：
nt＝tanh(VQC3(xt)+rt*VQC4(ht-1))
tanh为激活函数，VQC3为第三变分量子线路，rt为所述第一量子线路，VQC4为第四变分量子线路。
5.根据权利要求2所述的方法，其特征在于：
其中，所述第三量子线路的表达式如下：
zt＝σ(VQC5(xt)+VQC6(ht-1))
VQC5为第五变分量子线路，VQC6为第六变分量子线路。
6.根据权利要求4或5所述的方法，其特征在于：
其中，所述先前已处理的所有时间步对应的的隐藏状态的表达式如下：
ht＝(1-zt)*nt+zt*ht-1
zt为所述第三量子线路，nt为所述第二量子线路。
7.根据权利要求3-5任意一项所述的方法，其特征在于：
其中，任一所述变分量子线路均包括预定数目的参数化旋转模块与纠缠模块，
所述参数化旋转模块用于提供所述变分量子线路可学习的参数；
所述纠缠模块用于提供纠缠的多比特量子态。
8.根据权利要求7所述的方法，其特征在于：
其中，任一所述变分量子线路用于提取、压缩所述特定信息对应的时间步及其生成的隐藏状态，从而输出所述时间步及其生成的所述隐藏状态各自对应的变分矢量，具体过程如下：
将任意所述输入张量作为任一所述变分量子线路的相等叠加初始状态，并对其进行编码后输出对应的量子叠加态；
将所述量子叠加态输入至所述参数化旋转模块与所述纠缠模块中进行幺正变换，输出变分矢量，经测量后输入至全连接神经网络，输出预测结果。
9.根据权利要求1所述的方法，其特征在于：
其中，所述预定的优化方式通过如下损失函数进行优化：
Figure FDA0003496679200000041
B是批次大小，L是预定序列的长度，Nt是预测结果包含的个数，blj依次为批次b、序列位置l、预测结果j对应的数值。
10.一种基于量子门控循环神经网络的预测装置，其特征在于，包括：
输入张量获取模块，用于将包含特定信息的预定序列进行预处理得到所述特定信息对应的输入张量；
初始化模块，用于初始化所述特定信息对应的时间步及隐藏状态；
时间步判断模块，用于判断当前已经处理过的时间步是否小于所述预定序列的长度；
降维输入向量获取模块，用于对所述输入张量进行切片操作，得到对应的降维输入向量；
先前已处理的所有时间步对应的的隐藏状态获取模块，用于将所述降维输入向量输入到量子门控循环单元中进行计算，输出先前已处理的所有时间步对应的的隐藏状态；
预测结果获取模块，用于对所述先前已处理的所有时间步对应的的隐藏状态进行线性变换，输出预测结果。
CN202210116534.5A 2022-02-07 2022-02-07 基于量子门控循环神经网络的预测方法及装置 Pending CN114492760A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210116534.5A CN114492760A (zh) 2022-02-07 2022-02-07 基于量子门控循环神经网络的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210116534.5A CN114492760A (zh) 2022-02-07 2022-02-07 基于量子门控循环神经网络的预测方法及装置

Publications (1)

Publication Number Publication Date
CN114492760A true CN114492760A (zh) 2022-05-13

Family

ID=81478953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210116534.5A Pending CN114492760A (zh) 2022-02-07 2022-02-07 基于量子门控循环神经网络的预测方法及装置

Country Status (1)

Country Link
CN (1) CN114492760A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115691654A (zh) * 2023-01-03 2023-02-03 北京中科弧光量子软件技术有限公司 一种基于较少参数的量子门控循环神经网络的抗菌肽的预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115691654A (zh) * 2023-01-03 2023-02-03 北京中科弧光量子软件技术有限公司 一种基于较少参数的量子门控循环神经网络的抗菌肽的预测方法

Similar Documents

Publication Publication Date Title
WO2020167480A1 (en) Adjusting activation compression for neural network training
CN113011593B (zh) 消除量子测量噪声的方法及系统、电子设备和介质
US20170061279A1 (en) Updating an artificial neural network using flexible fixed point representation
CN114219076B (zh) 量子神经网络训练方法及装置、电子设备和介质
CN112001498A (zh) 基于量子计算机的数据识别方法、装置及可读存储介质
CN112232512A (zh) 量子计算模拟平台及线性方程组量子求解模拟方法、系统
CN114021728B (zh) 量子数据测量方法及系统、电子设备和介质
Oh et al. Quantum convolutional neural network for resource-efficient image classification: A quantum random access memory (QRAM) approach
CN117437494B (zh) 一种图像分类方法、系统、电子设备及存储介质
CN114490065A (zh) 一种负载预测方法、装置及设备
CN113159303A (zh) 一种基于量子线路的人工神经元构造方法
CN114492760A (zh) 基于量子门控循环神经网络的预测方法及装置
CN114565021A (zh) 基于量子循环神经网络的金融资产定价方法、系统及存储介质
CN113255922B (zh) 量子纠缠量化方法和装置、电子设备、计算机可读介质
CN115221845A (zh) 基于量子孪生网络的相似度评价方法及相关设备
Li et al. Quantum recurrent neural networks for sequential learning
CN114496297A (zh) 量子门控循环神经网络预测新冠疫苗稳定性的方法及装置
Nowakowski et al. Neural network structure optimization algorithm
CN110363713B (zh) 基于递归样本缩放和双线性因子分解的高光谱图像降噪方法
CN114511092B (zh) 一种基于量子线路的图注意力机制实现方法
CN114283903A (zh) 基于量子门控循环神经网络预测蛋白质药物结合力的方法
Moe et al. Implementing spatio-temporal graph convolutional networks on graphcore ipus
CN110288002A (zh) 一种基于稀疏正交神经网络的图像分类方法
CN114446412A (zh) 基于量子门控循环神经网络的分子生成方法及装置
CN114974405A (zh) 基于量子gnn的结合能预测方法

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