CN114764620B - 一种量子卷积操作器 - Google Patents
一种量子卷积操作器 Download PDFInfo
- Publication number
- CN114764620B CN114764620B CN202111683374.4A CN202111683374A CN114764620B CN 114764620 B CN114764620 B CN 114764620B CN 202111683374 A CN202111683374 A CN 202111683374A CN 114764620 B CN114764620 B CN 114764620B
- Authority
- CN
- China
- Prior art keywords
- quantum
- module
- input data
- convolution
- gate
- 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.)
- Active
Links
- 239000002096 quantum dot Substances 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000000034 method Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000969 carrier Substances 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
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)
- Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
- Superconductor Devices And Manufacturing Methods Thereof (AREA)
Abstract
本发明公开了量子卷积操作器,所述量子卷积操作器包括:量子态编码模块、量子纠缠模块、量子卷积核模块、测量模块和计算模块;所述量子态编码模块,用于将当前组输入数据编码到量子比特上;所述量子纠缠模块,用于关联所述量子比特的量子态信息;所述量子卷积核模块,用于提取所述量子态信息对应的特征信息;所述测量模块,用于测量预设量子比特的量子态并获得对应的振幅;所述计算模块,用于根据测量的量子态及其振幅,计算所述当前组输入数据对应的卷积结果。利用本发明实施例,能够实现量子计算在卷积神经网络模型领域的应用,以发挥量子计算的并行优势,并补充相关技术的空白。
Description
技术领域
本发明属于量子计算技术领域,特别是一种量子卷积操作器。
背景技术
量子计算机是一类遵循量子力学规律进行高速数学和逻辑运算、存储及处理量子信息的物理装置。当某个装置处理和计算的是量子信息,运行的是量子算法时,它就是量子计算机。量子计算机因其具有相对普通计算机更高效的处理数学问题的能力,例如,能将破解RSA密钥的时间从数百年加速到数小时,故成为一种正在研究中的关键技术。
在经典计算机领域,卷积神经网络模型可以用于图像识别、自然语言处理、语音识别等领域,旨在提取图像、语言、语音等信息载体中的特征信息。然而,量子计算的技术如何应用于神经网络模型领域亟需探索解决。
发明内容
本发明的目的是提供一种量子卷积操作器,以解决现有技术中的不足,它能够实现量子计算在卷积神经网络模型领域的应用,以发挥量子计算的并行优势,并补充相关技术的空白。
本申请的一个实施例提供了一种量子卷积操作器,所述量子卷积操作器包括:量子态编码模块、量子纠缠模块、量子卷积核模块、测量模块和计算模块;
所述量子态编码模块,用于将当前组输入数据编码到量子比特上;
所述量子纠缠模块,用于关联所述量子比特的量子态信息;
所述量子卷积核模块,用于提取所述量子态信息对应的特征信息;
所述测量模块,用于测量预设量子比特的量子态并获得对应的振幅;
所述计算模块,用于根据测量的量子态及其振幅,计算所述当前组输入数据对应的卷积结果。
可选的,所述量子态编码模块包括:量子逻辑门;所述将当前组输入数据编码到量子比特上,包括:
确定当前组输入数据对应的量子逻辑门中的可变参数值,其中,所述量子逻辑门支持动态修改所述可变参数值。
可选的,所述量子卷积操作器还包括:更新模块,所述更新模块用于根据预设映射关系,更新下一组输入数据对应的量子态编码模块。
可选的,所述根据预设映射关系,更新下一组输入数据对应的量子态编码模块,包括:
根据输入数据与量子态编码线路的预设映射关系,更新下一组输入数据对应的量子态编码线路,得到新的量子态编码线路作为更新后的量子态编码模块。
可选的,所述根据测量的量子态及其振幅,计算所述输入数据对应的卷积结果,包括:
根据测量的量子态及其振幅,计算所述预设量子比特为预设量子态时对应的概率,作为所述当前组输入数据对应的卷积结果。
可选的,在所述量子纠缠模块和/或所述量子卷积核模块包括量子逻辑门的情况下,该量子逻辑门中的可变参数值由预先训练确定。
可选的,所述输入数据包括:图像、自然语言或音频数据。
可选的,所述量子态编码模块包括:量子逻辑门RX门、RY门、RZ门或X门。
可选的,所述量子纠缠模块包括:作用于相邻两个量子比特的CNOT门,其中,最后一个CNOT门作用于最后一位量子比特和第一位量子比特。
可选的,所述量子卷积核模块包括量子逻辑门U3门,其中,所述U3门的酉矩阵为:
其中,所述α,β,γ为角度变量。
与现有技术相比,本发明提供的一种量子卷积操作器,包括:量子态编码模块、量子纠缠模块、量子卷积核模块、测量模块和计算模块;量子态编码模块,用于将当前组输入数据编码到量子比特上;量子纠缠模块,用于关联量子比特的量子态信息;量子卷积核模块,用于提取量子态信息对应的特征信息;测量模块,用于测量预设量子比特的量子态并获得对应的振幅;计算模块,用于根据测量的量子态及其振幅,计算当前组输入数据对应的卷积结果,从而实现量子计算在卷积神经网络模型领域的应用,以发挥量子计算的并行优势,并补充相关技术的空白。
附图说明
图1为本发明实施例提供的一种量子卷积操作器的结构示意图;
图2为本发明实施例提供的一种量子态编码模块的结构示意图;
图3为本发明实施例提供的一种输入数据与量子态编码线路的预设映射关系示意图;
图4为本发明实施例提供的一种量子纠缠模块的结构示意图;
图5为本发明实施例提供的一种量子卷积核模块的结构示意图。
具体实施方式
下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明实施例首先提供了一种量子卷积操作器,可以应用于电子设备,如计算机终端,具体如普通电脑、量子计算机等。
需要说明的是,真正的量子计算机是混合结构的,它包含两大部分:一部分是经典计算机,负责执行经典计算与控制;另一部分是量子设备,负责运行量子程序进而实现量子计算。而量子程序是由量子语言如QRunes语言编写的一串能够在量子计算机上运行的指令序列,实现了对量子逻辑门操作的支持,并最终实现量子计算。具体的说,量子程序就是一系列按照一定时序操作量子逻辑门的指令序列。
在实际应用中,因受限于量子设备硬件的发展,通常需要进行量子计算模拟以验证量子算法、量子应用等等。量子计算模拟即借助普通计算机的资源搭建的虚拟架构(即量子虚拟机)实现特定问题对应的量子程序的模拟运行的过程。通常,需要构建特定问题对应的量子程序。本发明实施例所指量子程序,即是经典语言编写的表征量子比特及其演化的程序,其中与量子计算相关的量子比特、量子逻辑门等等均有相应的经典代码表示。
量子线路作为量子程序的一种体现方式,也称量子逻辑电路,是最常用的通用量子计算模型,表示在抽象概念下对于量子比特进行操作的线路,其组成包括量子比特、线路(时间线),以及各种量子逻辑门,最后常需要通过量子测量操作将结果读取出来。
不同于传统电路是用金属线所连接以传递电压信号或电流信号,在量子线路中,线路可看成是由时间所连接,亦即量子比特的状态随着时间自然演化,在这过程中按照哈密顿运算符的指示,一直到遇上逻辑门而被操作。
一个量子程序整体上对应有一条总的量子线路,本发明所述量子程序即指该条总的量子线路,其中,该总的量子线路中的量子比特总数与量子程序的量子比特总数相同。可以理解为:一个量子程序可以由量子线路、针对量子线路中量子比特的测量操作、保存测量结果的寄存器及控制流节点(跳转指令)组成,一条量子线路可以包含几十上百个甚至千上万个量子逻辑门操作。量子程序的执行过程,就是对所有的量子逻辑门按照一定时序执行的过程。需要说明的是,时序即单个量子逻辑门被执行的时间顺序。
需要说明的是,经典计算中,最基本的单元是比特,而最基本的控制模式是逻辑门,可以通过逻辑门的组合来达到控制电路的目的。类似地,处理量子比特的方式就是量子逻辑门。使用量子逻辑门,能够使量子态发生演化,量子逻辑门是构成量子线路的基础,量子逻辑门包括单比特量子逻辑门,如Hadamard门(H门,阿达马门)、泡利-X门(X门)、泡利-Y门(Y门)、泡利-Z门(Z门)、RX门、RY门、RZ门等等;两比特或多比特量子逻辑门,如CNOT门、CR门、CZ门、iSWAP门、Toffoli门等等。量子逻辑门一般使用酉矩阵表示,而酉矩阵不仅是矩阵形式,也是一种操作和变换。一般量子逻辑门在量子态上的作用是通过酉矩阵左乘以量子态右矢对应的矩阵进行计算的。
参见图1,图1为本发明实施例提供的一种量子卷积操作器的结构示意图,所述量子卷积操作器可以包括:量子态编码模块101、量子纠缠模块102、量子卷积核模块103、测量模块104和计算模块105;
所述量子态编码模块101,用于将当前组输入数据编码到量子比特上;
具体的,量子态编码模块可以包括:量子逻辑门。将当前组输入数据编码到量子比特上,可以确定当前组输入数据对应的量子逻辑门中的可变参数值,其中,量子逻辑门支持动态修改可变参数值。
示例性的,输入数据包括但不限于:图像、自然语言或音频数据,量子态编码模块包括但不限于:量子逻辑门RX门、RY门、RZ门或X门,其中,RX门、RY门、RZ门可直接支持动态修改可变参数值,X门的酉矩阵为固定参数值。本申请中定义酉矩阵包括可变参数的量子逻辑门,可称为可变量子逻辑门(VariationalQuantumGate,VQG),即RX门、RY门、RZ门为:VQG_RX、VQG_RY、VQG_RZ。
示例性的,图2为一种量子态编码模块的结构示意图。如图2所示,量子线路包括4量子比特,对应4个输入数据,每个量子比特依次包括VQG_RX、VQG_RY量子逻辑门操作,量子逻辑门的参数可以为对应输入数据的反正切值或输入数据平方的反正切值,或者参数值=输入数据*π/2等等。需要说明的是,本申请对量子逻辑门种类、数量以及参数的计算方式并不做限定。
具体的,量子卷积操作器还可以包括:更新模块,更新模块用于根据预设映射关系,更新下一组输入数据对应的量子态编码模块。
在当前组的输入数据完成计算后,量子态编码模块的结构还可以根据输入数据的不同进行更新,然后运行更新后的量子态编码模块,即:将下一组输入数据编码到新的量子态编码模块的量子比特上。例如,可利用基态编码(basisencoding)方法,将下一组输入数据编码到量子比特上。
在实际应用中,可以根据输入数据与量子态编码线路的预设映射关系,更新下一组输入数据对应的量子态编码线路,得到新的量子态编码线路作为更新后的量子态编码模块。
示例性的,图3为一种输入数据与量子态编码线路的预设映射关系示意图。如图3所示,图3(a)、图3(b)、图3(c)、图3(d)分别为输入数据为0111、0100、0110、0101时对应的量子态编码线路,包括:量子比特q0、q1、q2、q3,以及量子逻辑门RX门、RY门、RZ门和X门。
所述量子纠缠模块102,用于关联所述量子比特的量子态信息;
具体的,量子纠缠模块可以包括:作用于相邻两个量子比特的CNOT门,其中,最后一个CNOT门作用于最后一位量子比特和第一位量子比特。例如,图4所示的一种量子纠缠模块的结构示意图,包括:4个CNOT门,每个CNOT门用图标⊕及其实心连线表示,实心作用的量子比特为控制比特,图标⊕作用的量子比特为受控比特。
所述量子卷积核模块103,用于提取所述量子态信息对应的特征信息;
具体的,量子卷积核模块可以包括量子逻辑门U3门,其中,U3门的酉矩阵为:
其中,α,β,γ为角度变量。例如,图5所示的一种量子卷积核模块的结构示意图,包括:4个可变量子逻辑门VQG_U3门,每个VQG_U3门作用一个量子比特,可以动态修改角度变量,避免重复搭建线路造成资源损耗。
所述测量模块104,用于测量预设量子比特的量子态并获得对应的振幅;
具体的,测量模块可以包括量子测量操作Measure,具体可以根据需求设定预设量子比特,例如为第一位量子比特或所有位量子比特。
量子态,即量子比特的逻辑状态。在量子算法(或称量子程序)中,针对量子线路包含的一组量子比特的量子态,采用二进制表示方式,例如,一组量子比特为q1、q2、q3,表示第1位、第2位、第3位量子比特,在二进制表示方式中从高位到低位排序为q2q1q0,该组量子比特对应的量子态共有2的量子比特总数次方个,即8个本征态(确定的状态):|000>、|001>、|010>、|011>、|100>、|101>、|110>、|111>,每个量子态的位与量子比特对应一致,如|001>态,001从高位到低位对应q3q2q1,|>为狄拉克符号。对于包含N个量子比特q0、q1、…、qn、…、qN-1的量子线路,二进制表示量子态的位阶排序为qN-1qN-2…、q1q0。
以单个量子比特说明,单个量子比特的逻辑状态ψ可能处于|0>态、|1>态、|0>态和|1>态的叠加态(不确定状态),具体可以表示为ψ=a|0>+b|1>,其中,a和b为表示量子态振幅(概率幅)的复数,振幅的模的平方表示概率,|a|2、|b|2分别表示逻辑状态是|0>态、|1>态的概率,|a|2+|b|2=1。简言之,量子态是各本征态组成的叠加态,当其他态的概率为0时,即处于唯一确定的本征态。
所述计算模块105,用于根据测量的量子态及其振幅,计算所述当前组输入数据对应的卷积结果。
具体的,可以根据测量的量子态及其振幅,计算所预设量子比特为预设量子态时对应的概率,作为当前组输入数据对应的卷积结果。
示例性的,可以测量第一位量子比特的|1>态的振幅,计算振幅的模的平方为对对应概率,作为当前组输入数据的卷积结果。或者,测量所有位量子比特假设4位的|1111>态的振幅,计算振幅的模的平方为对应概率,作为当前组输入数据的卷积结果。
具体的,在量子纠缠模块和/或量子卷积核模块包括量子逻辑门的情况下,该量子逻辑门中的可变参数值可以由预先训练确定。
在一种实现方式中,量子卷积操作器的训练方式如下:
接收训练数据集的一组输入数据,将该组输入数据通过量子态编码模块编码到量子比特,并初始化量子纠缠模块和量子卷积核模块中的变量参数值,其中,变量参数值可随机初始化确定,也可根据需求设为固定的初始值;
运行量子卷积操作器,通过测量模块进行测量,根据测量的量子态及其振幅,计算当前组输入数据对应的卷积结果;
将卷积结果与预设期望值进行对比,若卷积结果未达到预设期望值,利用训练算法对变量参数值进行迭代更新,直至确定的卷积结果达到预设期望值,其中,训练算法可以包括:梯度下降法(更具体可以是反向传播算法)、牛顿法、拟牛顿法或共轭梯度法等等;
将包含迭代更新完成的变量参数值的量子卷积操作器,作为训练完成的量子卷积操作器。
可见,本发明提供的一种量子卷积操作器,包括:量子态编码模块、量子纠缠模块、量子卷积核模块、测量模块和计算模块;量子态编码模块,用于将当前组输入数据编码到量子比特上;量子纠缠模块,用于关联量子比特的量子态信息;量子卷积核模块,用于提取量子态信息对应的特征信息;测量模块,用于测量预设量子比特的量子态并获得对应的振幅;计算模块,用于根据测量的量子态及其振幅,计算当前组输入数据对应的卷积结果,从而实现量子计算在卷积神经网络模型领域的应用,以发挥量子计算的并行优势,并补充相关技术的空白。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,以上所述仅为本发明的较佳实施例,但本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (8)
1.一种量子卷积操作器,其特征在于,所述量子卷积操作器包括:量子态编码模块、量子纠缠模块、量子卷积核模块、测量模块、计算模块和更新模块;
所述量子态编码模块,用于将当前组输入数据编码到量子比特上;
所述量子纠缠模块,用于关联所述量子比特的量子态信息;
所述量子卷积核模块,用于提取所述量子态信息对应的特征信息;
所述测量模块,用于测量预设量子比特的量子态并获得对应的振幅;
所述计算模块,用于根据测量的量子态及其振幅,计算所述当前组输入数据对应的卷积结果;
所述更新模块,用于根据输入数据与量子态编码线路的预设映射关系,更新下一组输入数据对应的量子态编码线路,得到新的量子态编码线路作为更新后的量子态编码模块。
2.根据权利要求1所述的量子卷积操作器,其特征在于,所述量子态编码模块包括:量子逻辑门;所述将当前组输入数据编码到量子比特上,包括:
确定当前组输入数据对应的量子逻辑门中的可变参数值,其中,所述量子逻辑门支持动态修改所述可变参数值。
3.根据权利要求1所述的量子卷积操作器,其特征在于,所述根据测量的量子态及其振幅,计算所述输入数据对应的卷积结果,包括:
根据测量的量子态及其振幅,计算所述预设量子比特为预设量子态时对应的概率,作为所述当前组输入数据对应的卷积结果。
4.根据权利要求1所述的量子卷积操作器,其特征在于,在所述量子纠缠模块和/或所述量子卷积核模块包括量子逻辑门的情况下,该量子逻辑门中的可变参数值由预先训练确定。
5.根据权利要求1所述的量子卷积操作器,其特征在于,所述输入数据包括:图像、自然语言或音频数据。
6.根据权利要求1所述的量子卷积操作器,其特征在于,所述量子态编码模块包括:量子逻辑门RX门、RY门、RZ门或X门。
7.根据权利要求1所述的量子卷积操作器,其特征在于,所述量子纠缠模块包括:作用于相邻两个量子比特的CNOT门,其中,最后一个CNOT门作用于最后一位量子比特和第一位量子比特。
8.根据权利要求1所述的量子卷积操作器,其特征在于,所述量子卷积核模块包括量子逻辑门U3门,其中,所述U3门的酉矩阵为:
其中,所述α,β,γ为角度变量。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111683374.4A CN114764620B (zh) | 2021-12-31 | 2021-12-31 | 一种量子卷积操作器 |
EP22758897.7A EP4283533A1 (en) | 2021-02-26 | 2022-02-23 | Quantum convolution operator |
US18/278,723 US20240095563A1 (en) | 2021-02-26 | 2022-02-23 | Quantum convolution operator |
PCT/CN2022/077508 WO2022179533A1 (zh) | 2021-02-26 | 2022-02-23 | 一种量子卷积操作器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111683374.4A CN114764620B (zh) | 2021-12-31 | 2021-12-31 | 一种量子卷积操作器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114764620A CN114764620A (zh) | 2022-07-19 |
CN114764620B true CN114764620B (zh) | 2024-04-09 |
Family
ID=82365056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111683374.4A Active CN114764620B (zh) | 2021-02-26 | 2021-12-31 | 一种量子卷积操作器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114764620B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018074818A1 (ko) * | 2016-10-18 | 2018-04-26 | 한국전자통신연구원 | 서로 다른 두 개의 양자 오류 정정 부호로 인코딩된 논리적 벨 양자 상태를 구현하는 양자 회로 및 방법 |
CN110705711A (zh) * | 2019-09-17 | 2020-01-17 | 合肥本源量子计算科技有限责任公司 | 一种量子态信息降维编码方法及装置 |
CN111260065A (zh) * | 2020-01-09 | 2020-06-09 | 湖北师范大学 | 一种二维量子卷积计算方法 |
CN112132614A (zh) * | 2020-09-18 | 2020-12-25 | 合肥本源量子计算科技有限责任公司 | 一种利用量子线路进行偏好预测演示的方法及装置 |
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 |
CN112613571A (zh) * | 2020-12-29 | 2021-04-06 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 一种用于图像识别的量子神经网络方法、系统及介质 |
CN113159239A (zh) * | 2021-06-28 | 2021-07-23 | 北京航空航天大学 | 一种量子图卷积神经网络处理图数据的方法 |
CN113361664A (zh) * | 2021-08-10 | 2021-09-07 | 北京航空航天大学 | 一种基于量子卷积神经网络的图像识别系统及方法 |
-
2021
- 2021-12-31 CN CN202111683374.4A patent/CN114764620B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018074818A1 (ko) * | 2016-10-18 | 2018-04-26 | 한국전자통신연구원 | 서로 다른 두 개의 양자 오류 정정 부호로 인코딩된 논리적 벨 양자 상태를 구현하는 양자 회로 및 방법 |
CN110705711A (zh) * | 2019-09-17 | 2020-01-17 | 合肥本源量子计算科技有限责任公司 | 一种量子态信息降维编码方法及装置 |
CN111260065A (zh) * | 2020-01-09 | 2020-06-09 | 湖北师范大学 | 一种二维量子卷积计算方法 |
CN112132614A (zh) * | 2020-09-18 | 2020-12-25 | 合肥本源量子计算科技有限责任公司 | 一种利用量子线路进行偏好预测演示的方法及装置 |
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 |
CN112613571A (zh) * | 2020-12-29 | 2021-04-06 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 一种用于图像识别的量子神经网络方法、系统及介质 |
CN113159239A (zh) * | 2021-06-28 | 2021-07-23 | 北京航空航天大学 | 一种量子图卷积神经网络处理图数据的方法 |
CN113361664A (zh) * | 2021-08-10 | 2021-09-07 | 北京航空航天大学 | 一种基于量子卷积神经网络的图像识别系统及方法 |
Non-Patent Citations (1)
Title |
---|
基于测量的量子线路;席政军;李永明;;计算机研究与发展;20111115(11);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114764620A (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563599B (zh) | 一种量子线路的分解方法、装置、存储介质及电子装置 | |
CN114792378B (zh) | 一种量子图像识别方法及装置 | |
US20240095563A1 (en) | Quantum convolution operator | |
CN113222159B (zh) | 一种量子态的确定方法及装置 | |
CN114358216B (zh) | 基于机器学习框架的量子聚类方法及相关装置 | |
CN114358319B (zh) | 基于机器学习框架的分类方法及相关装置 | |
CN113222151B (zh) | 一种量子态的变换方法及装置 | |
CN116403657A (zh) | 一种药物反应预测方法、装置、存储介质及电子装置 | |
CN114819163B (zh) | 量子生成对抗网络的训练方法、装置、介质及电子装置 | |
CN114358318B (zh) | 基于机器学习框架的分类方法及相关装置 | |
CN114764620B (zh) | 一种量子卷积操作器 | |
CN114764619B (zh) | 一种基于量子线路的卷积操作方法及装置 | |
CN114511094B (zh) | 一种量子算法的优化方法、装置、存储介质与电子装置 | |
CN114358295B (zh) | 基于机器学习框架的二分类方法及相关装置 | |
CN114358317A (zh) | 基于机器学习框架的数据分类方法及相关设备 | |
CN115809707A (zh) | 量子比较运算方法、装置、电子装置及基础算术组件 | |
CN114819171B (zh) | 一种量子卷积操作的实现方法及装置 | |
CN113222152B (zh) | 一种量子态信息的获取方法及装置 | |
CN114881238A (zh) | 量子鉴别器的构造方法、装置、介质及电子装置 | |
CN117744818A (zh) | 基于量子傅里叶变换的常数加法器、运算方法及相关装置 | |
CN116740343A (zh) | 一种基于量子经典混合神经网络的图像分割方法及装置 | |
CN117408343A (zh) | 基于lbm的量子流动模拟方法、装置、介质及设备 | |
CN113222154A (zh) | 一种量子态的振幅的确定方法及装置 | |
CN115879559A (zh) | 多个量子态之间的等值关系判断方法、装置及量子计算机 | |
CN117408344A (zh) | 基于lbm的量子流动模拟方法、装置、介质及设备 |
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 | ||
CB02 | Change of applicant information |
Address after: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province Applicant after: Benyuan Quantum Computing Technology (Hefei) Co.,Ltd. Address before: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province Applicant before: ORIGIN QUANTUM COMPUTING COMPANY, LIMITED, HEFEI |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |