CN114792378B - 一种量子图像识别方法及装置 - Google Patents

一种量子图像识别方法及装置 Download PDF

Info

Publication number
CN114792378B
CN114792378B CN202110339877.3A CN202110339877A CN114792378B CN 114792378 B CN114792378 B CN 114792378B CN 202110339877 A CN202110339877 A CN 202110339877A CN 114792378 B CN114792378 B CN 114792378B
Authority
CN
China
Prior art keywords
quantum
image data
neural network
target image
convolution
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
Application number
CN202110339877.3A
Other languages
English (en)
Other versions
CN114792378A (zh
Inventor
李蕾
方圆
窦猛汉
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.)
Benyuan Quantum Computing Technology Hefei Co ltd
Original Assignee
Benyuan Quantum Computing Technology Hefei 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 Benyuan Quantum Computing Technology Hefei Co ltd filed Critical Benyuan Quantum Computing Technology Hefei Co ltd
Priority to CN202110339877.3A priority Critical patent/CN114792378B/zh
Priority to US18/278,723 priority patent/US12079691B2/en
Priority to PCT/CN2022/077508 priority patent/WO2022179533A1/zh
Priority to EP22758897.7A priority patent/EP4283533A4/en
Publication of CN114792378A publication Critical patent/CN114792378A/zh
Application granted granted Critical
Publication of CN114792378B publication Critical patent/CN114792378B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种量子图像识别方法及装置，方法包括：接收目标图像数据；将所述目标图像数据输入预先训练完成的、用于量子卷积操作的一层或多层量子卷积神经网络，运行所述量子卷积神经网络，获得并测量携带所述目标图像数据的特征信息的量子态，其中，所述量子卷积神经网络由包含可调参数的量子线路构建；将所述量子态的测量结果输入预选训练完成的经典神经网络，输出所述目标图像数据的识别结果。利用本发明实施例，能够实现量子计算在图像识别神经网络的应用，以发挥量子计算的并行优势，并补充相关技术的空白。

Description

一种量子图像识别方法及装置
技术领域
本发明属于量子计算技术领域，特别是一种量子图像识别方法及装置。
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，神经网络可以用于图像识别、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图像识别等领域亟需探索解决。
发明内容
本发明的目的是提供一种量子图像识别方法及装置，以解决现有技术中的不足，它能够实现量子计算在图像识别神经网络的应用，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图像识别方法，包括：
接收目标图像数据；
将所述目标图像数据输入预先训练完成的、用于量子卷积操作的一层或多层量子卷积神经网络，运行所述量子卷积神经网络，获得并测量携带所述目标图像数据的特征信息的量子态，其中，所述量子卷积神经网络由包含可调参数的量子线路构建；
将所述量子态的测量结果输入预选训练完成的经典神经网络，输出所述目标图像数据的识别结果。
可选的，所述目标图像数据包括：灰度图像数据或彩色图像数据。
可选的，所述量子卷积神经网络包括：量子态编码子线路、量子纠缠子线路和量子卷积核子线路；其中，
所述量子态编码子线路用于将所述目标图像数据的像素点信息编码到量子态上；
所述量子纠缠子线路用于关联量子比特的量子态信息；
所述量子卷积核子线路用于提取量子态信息携带的像素点对应的特征信息。
可选的，所述将所述目标图像数据输入预先训练完成的、用于量子卷积操作的一层或多层量子卷积神经网络，包括：
根据所述目标图像数据的像素点信息，确定所述量子态编码子线路中量子逻辑门的待输入参数值；
将所述待输入参数值，输入所述量子态编码子线路。
可选的，所述运行所述量子卷积神经网络，获得并测量携带所述目标图像数据的特征信息的量子态，包括：
在所述一层或多层量子卷积神经网络为一层的情况下，依次运行所述量子态编码子线路、量子纠缠子线路和量子卷积核子线路；
对所述量子卷积核子线路中的预设量子比特进行测量，得到测量出的各量子态及其概率，作为所述量子卷积神经网络的测量结果；
在所述一层或多层量子卷积神经网络为多层的情况下，依次运行各层量子卷积神经网络，对每一层量子卷积神经网络中量子卷积核子线路的预设量子比特进行测量，直至得到最后一层量子卷积神经网络的测量结果，其中，下一层量子卷积神经网络的输入根据上一层量子卷积神经网络的测量结果确定。
可选的，所述将所述量子态的测量结果输入预选训练完成的经典神经网络，输出所述目标图像数据的识别结果，包括：
根据所述量子卷积神经网络的测量结果，计算所述目标图像数据的卷积结果；
将所述卷积结果输入预选训练完成的经典神经网络，根据所述经典神经网络中神经元的权重，计算各个图像类别对应的概率；
根据所述各个图像类别对应的概率，输出所述目标图像数据的识别结果。
本申请的又一实施例提供了一种量子图像识别装置，包括：
数据接收模块，用于接收目标图像数据；
输入运行模块，用于将所述目标图像数据输入预先训练完成的、用于量子卷积操作的一层或多层量子卷积神经网络，运行所述量子卷积神经网络，获得并测量携带所述目标图像数据的特征信息的量子态，其中，所述量子卷积神经网络由包含可调参数的量子线路构建；
结果输出模块，用于将所述量子态的测量结果输入预选训练完成的经典神经网络，输出所述目标图像数据的识别结果。
本申请的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项所述的方法。
本申请的又一实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项所述的方法。
与现有技术相比，本发明提供的一种量子图像识别方法，通过接收目标图像数据，将目标图像数据输入预先训练完成的、用于量子卷积操作的一层或多层量子卷积神经网络，运行量子卷积神经网络，获得并测量携带目标图像数据的特征信息的量子态，其中，量子卷积神经网络由包含可调参数的量子线路构建；然后，将量子态的测量结果输入预选训练完成的经典神经网络，输出目标图像数据的识别结果，从而实现量子计算在图像识别神经网络的应用，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图像识别方法的计算机终端的硬件结构框图；
图2为本发明实施例提供的一种量子图像识别方法的流程示意图；
图3为本发明实施例提供的一种包含可调参数的量子线路的结构示意图；
图4为本发明实施例提供的另一种包含可调参数的量子线路的结构示意图；
图5为本发明实施例提供的再一种包含可调参数的量子线路的结构示意图；
图6为本发明实施例提供的一种量子图像识别装置的结构示意图。
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图像识别方法，该方法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。
下面以运行在计算机终端上为例对其进行详细说明。图1为本发明实施例提供的一种量子图像识别方法的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的量子图像识别方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
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2，图2为本发明实施例提供的一种量子卷积操作的实现方法的流程示意图，可以包括如下步骤：
S201，接收目标图像数据；
具体的，目标图像数据可以包括：灰度图像数据或彩色图像数据。
例如，接收的图像数据是灰度图像，其通道数量为1个通道，数据维度大小以四维张量矩阵形式且数值范围是在0到1之间的浮点数。假设接收的图像数量是1张1通道的大小为28*28的灰度图像，则其共有1*1*28*28＝784个像素点；或者，假设传入的图像数据是10张3通道的彩色图像，图像大小是32*32，则共有10*3*32*32＝30720个像素点。在计算资源有限的情况下，可以分批次对图像进行后续处理。
S202，将所述目标图像数据输入预先训练完成的、用于量子卷积操作的一层或多层量子卷积神经网络，运行所述量子卷积神经网络，获得并测量携带所述目标图像数据的特征信息的量子态，其中，所述量子卷积神经网络由包含可调参数的量子线路构建；
具体的，量子卷积神经网络可以包括：包含第一预设量子逻辑门的量子态编码子线路、包含第二预设量子逻辑门的量子纠缠子线路和包含第三预设量子逻辑门的量子卷积核子线路；
其中，量子态编码子线路用于将目标图像数据的像素点信息编码到量子态上；量子纠缠子线路用于关联量子比特的量子态信息；量子卷积核子线路用于提取量子态信息携带的像素点对应的特征信息。
并且，预设量子逻辑门的区分以其所属的子线路确定，不以量子逻辑门的类型划分，即：属于量子态编码子线路的量子逻辑门为第一预设量子逻辑门，属于量子纠缠子线路的量子逻辑门为第二预设量子逻辑门，属于量子卷积核子线路的量子逻辑门为第三预设量子逻辑门。
需要说明的是，若第二预设量子逻辑门为含有可调参数的预设量子逻辑门，可以将第二预设量子逻辑门视为第一预设量子逻辑门或第三预设量子逻辑门，其中，第三预设量子逻辑门的可调参数值可以通过迭代更新确定。并且，在一层量子卷积神经网络中，量子态编码子线路、量子纠缠子线路、量子卷积核子线路中的量子比特数量相同。
在实际应用中，一层量子卷积神经网络可以包括多条量子态编码子线路、相同多条量子纠缠子线路和相同多条量子卷积核子线路。可以将目标图像数据的像素点等分为多块，将每块图像数据的像素点信息编码到对应量子态编码子线路上，每条量子态编码子线路的量子比特数与每块图像数据的像素点数量相同。多条量子态编码子线路之间为并行设置(量子纠缠子线路和量子卷积核子线路同理)，一条量子态编码子线路、一条量子纠缠子线路和一条量子卷积核子线路组成部分量子卷积神经网络，以提取部分图像数据即单块图像数据的特征信息。
具体的，将目标图像数据输入预先训练完成的、用于量子卷积操作的量子卷积神经网络，可以根据目标图像数据的像素点信息(具体可以是像素值)，确定量子态编码子线路中量子逻辑门(即第一预设量子逻辑门)的待输入参数值；将待输入参数值，输入量子态编码子线路中的第一预设量子逻辑门。其中，第一预设量子逻辑门可以为RX门、RY门、RZ门的任意一个或多个，且每个量子比特上施加的第一预设量子逻辑门均相同。另外，第二预设量子逻辑门若被视为第一预设量子逻辑门，则该第二预设量子逻辑门的可调参数值也可由目标图像数据的像素值确定。
在一种实现方式中，如图3所示为一层由可调参数的量子线路构建的量子卷积神经网络示意图，包括：
4个初始态为|0>态的量子比特，对应4个像素点；
组成量子态编码子线路的4个RY门和4个RZ门，共8个第一预设量子逻辑门，其中，RY门包含的待输入参数值，具体可为输入的4个像素值x1、x2、x3、x4的反正切值arctan(x1)、arctan(x2)、arctan(x3)、arctan(x4)；RZ门包含的待输入参数值，具体可为输入的4个属性值x1、x2、x3、x4的平方的反正切值
组成量子纠缠子线路的4个第二预设量子逻辑门CNOT门，CNOT门的图标用及其连线表示；
组成量子卷积核子线路的4个第三预设量子逻辑门U3门，每个U3门包含3个可调参数α、β、γ，如图3中R(α1,β1,γ1)、R(α2,β2,γ2)、R(α3,β3,γ3)、R(α4,β4,γ4)所示，对应可调参数值通过迭代更新确定；以及，位于线路末尾的第一位量子比特上的测量操作；其中，U3门的酉矩阵为：
在另一种实现方式中，如图4所示为另一种可调参数的量子线路的结构示意图，包括：
4个初始态为|0>态的量子比特；
组成量子态编码子线路的4个第一预设量子逻辑门RX门，RX门包含的待输入参数值，具体可为输入的4个像素值a00、a01、a10、a11的反正切值或4个像素值的平方的反正切值；
同时起到量子纠缠子线路和量子卷积核子线路作用的量子纠缠和卷积核子线路，包括3个受控RZ门和3个受控RX门，该6个预设量子逻辑门均为含有可调参数的预设量子逻辑门，此处均视为第三预设量子逻辑门，对应可调参数值通过迭代更新确定；以及，位于线路末尾的第一位量子比特上的测量操作。
在再一种实现方式中，如图5所示为再一种可调参数的量子线路的结构示意图，包括：
4个初始态为|0>态的量子比特；
组成量子态编码子线路的4个第一预设量子逻辑门RY门，RY门包含的待输入参数值，具体可为输入的4个像素值的反正切值；
组成量子纠缠子线路的4个第二预设量子逻辑门，包括1个RX门、1个RZ门和2个CNOT门，RX门和RZ门为含有可调参数的预设量子逻辑门，此处则视为第一预设量子逻辑门，对应待输入参数值可为对应量子比特位输入的像素值的反正切值；
组成量子卷积核子线路的2个第三预设量子逻辑门，包括1个RY门和1个RX门，对应可调参数值通过迭代更新确定；以及，位于线路末尾的所有量子比特位上的测量操作。
具体的，运行量子卷积神经网络，获得并测量携带目标图像数据的特征信息的量子态，可以包括以下两种情况：
在量子卷积神经网络仅为一层的情况下，依次运行量子态编码子线路、量子纠缠子线路和量子卷积核子线路；
对量子卷积核子线路中的预设量子比特进行测量，得到测量出的各量子态及其概率，作为量子卷积神经网络的测量结果。
在实际应用中，对于多条量子卷积核子线路，可以测量每条量子卷积核子线路中的预设位量子比特的量子态及其概率，作为该层量子卷积神经网络的测量结果。需要说明的是，每条量子卷积核子线路对应测量的预设量子比特位是保持一致的，例如均为第一位或均为所有位。
在量子卷积神经网络为多层的情况下，依次运行各层量子卷积神经网络，对每一层量子卷积神经网络中量子卷积核子线路的预设量子比特进行测量，直至得到最后一层量子卷积神经网络的测量结果，其中，下一层量子卷积神经网络的输入根据上一层量子卷积神经网络的测量结果确定。
对于多层量子卷积神经网络，下一层网络中量子态编码子线路条数为上一层网络中量子卷积核子线路条数与子线路中量子比特数的比值。例如，当前层网络包括16条量子态编码子线路、16条量子纠缠子线路和16条量子卷积核子线路，每条量子态编码子线路/量子纠缠子线路/量子卷积核子线路的量子比特数为4，则下一层网络包括4条量子态编码子线路、4条量子纠缠子线路和4条量子卷积核子线路，每条量子态编码子线路/量子纠缠子线路/量子卷积核子线路的量子比特数为4。
需要说明的是，量子卷积神经网络的层数，可以根据需要解决的具体问题复杂度进行设置。比如，一个图像识别的二分类问题，其问题比较简单，可以使用两到三层量子卷积神经网络来进行问题的解决，对于复杂的多分类问题就需要加深网络的深度，构建出多层量子卷积网络来进行解决，具体需要根据实际效果来决定网络深度。
具体的，下一层量子卷积神经网络的输入根据上一层量子卷积神经网络的测量结果确定，可以为：
测量上一层量子卷积核子线路中第一位量子比特的|0>态或|1>态(假设为|1>态)的概率，作为下一层量子态编码子线路中的待输入参数值。
例如，上一层8条量子卷积核子线路，对应测量8个|1>态的概率，每条量子卷积核子线路包含4个量子比特，则将前4个|1>态的概率，作为下一层2条量子态编码子线路中1条的待输入参数值，将后4个|1>态的概率，作为另1条的待输入参数值。
或者，也可以测量上一层每条量子卷积核子线路中所有量子比特的量子态及其概率，作为测量结果。例如，将各二进制量子态对应的十进制值(如|0011>对应十进制3)与对应概率的乘积进行累加，将累加之和作为下一层量子态编码子线路的待输入参数值。
S203，将所述量子态的测量结果输入预选训练完成的经典神经网络，输出所述目标图像数据的识别结果。
具体的，可以根据量子卷积神经网络的测量结果，计算目标图像数据的卷积结果；将卷积结果输入预选训练完成的经典神经网络，根据经典神经网络中神经元的权重，计算各个图像类别对应的概率；根据各个图像类别对应的概率，输出目标图像数据的识别结果。其中，经典神经网络是指经典计算领域的神经网络，例如为全连接神经网络等等。
具体的，可以测量最后一层网络中每条量子卷积核子线路的预设位量子比特的|0>态或|1>态的概率，作为卷积结果。或者，测量最后一层网络中每条量子卷积核子线路的所有量子比特的量子态及其概率，将各二进制量子态对应的十进制值与对应概率的乘积进行累加，将累加之和作为卷积结果。
示例性的，最后一层量子卷积神经网络包括4条量子卷积核子线路，测量每条量子卷积核子线路的第一位量子比特的|1>态的概率分别为p1、p2、p3、p4，作为卷积结果。假设图像类别包括3类：猫、狗和青蛙，经典神经网络为全连接网络，神经元的权重分别为：
第1条子线路对应猫、狗和青蛙的权重为w11、w12、w13；
第2条子线路对应猫、狗和青蛙的权重为w21、w22、w23；
第3条子线路对应猫、狗和青蛙的权重为w31、w32、w33；
第4条子线路对应猫、狗和青蛙的权重为w41、w42、w43；
计算各个图像类别对应的识别概率为：
识别图像为猫的概率：p1*w11+p2*w21+p3*w31+p4*w41；
识别图像为狗的概率：p1*w12+p2*w22+p3*w32+p4*w42；
识别图像为青蛙的概率：p1*w13+p2*w23+p3*w33+p4*w43。
最后，可以输出识别概率最高的图像类别，作为目标图像数据的识别结果。或者，可以依次输出多个乃至全部概率及其对应的图像类别，以概率高低排序，作为目标图像数据的识别结果，例如，识别结果为：
猫：87％；狗：11％；青蛙：2％。
在实际应用中，可以通过对量子卷积神经网络相关比特的测量和经典神经网络，输出计算出的识别结果，将识别结果与真实结果进行对比，构建损失函数，通过损失函数对量子卷积神经网络中可调参数的梯度来迭代更新，以完成量子卷积神经网络的训练。
对于图像识别的分类问题可以使用交叉熵损失函数，公式如下：
其中，n为图像类别数量，yi表示第i个图像类别，例如，y1、y2、y3表示猫、狗、青蛙，p(yi)表示分类数据的真实标签概率分布，q(yi)表示分类数据的预测标签概率分布。
可调参数的梯度计算方式可以如下：
其中，f(x；θi)可理解为量子卷积神经网络对应的量子卷积函数,具体为在当前输入为x(像素值)和θi(可调参数)时量子卷积神经网络对应测量得到的概率值，x为输入的像素值，θi为量子逻辑门的当前可调参数，为梯度。
可调参数更新方式可以如下：
其中，η为学习率，其值主要依据网络迭代收敛的情况确定，例如为1e-3。如果不收敛或收敛速度过快，比如训练3轮就已经收敛，表示值过大，需要相对减小其值；如果收敛速度较慢，比如训练了30轮，仍然不见收敛，则表示值过小，需要相对调大。
可见，通过接收目标图像数据，将目标图像数据输入预先训练完成的、用于量子卷积操作的一层或多层量子卷积神经网络，运行量子卷积神经网络，获得并测量携带目标图像数据的特征信息的量子态，其中，量子卷积神经网络由包含可调参数的量子线路构建；然后，将量子态的测量结果输入预选训练完成的经典神经网络，输出目标图像数据的识别结果，从而实现量子计算在图像识别神经网络的应用，以发挥量子计算的并行优势，并补充相关技术的空白。
参见图6，图6为本发明实施例提供的一种量子图像识别装置的结构示意图，与图2所示的流程相对应，所述装置包括：
数据接收模块601，用于接收目标图像数据；
输入运行模块602，用于将所述目标图像数据输入预先训练完成的、用于量子卷积操作的一层或多层量子卷积神经网络，运行所述量子卷积神经网络，获得并测量携带所述目标图像数据的特征信息的量子态，其中，所述量子卷积神经网络由包含可调参数的量子线路构建；
结果输出模块603，用于将所述量子态的测量结果输入预选训练完成的经典神经网络，输出所述目标图像数据的识别结果。
具体的，所述目标图像数据包括：灰度图像数据或彩色图像数据。
具体的，所述量子卷积神经网络包括：量子态编码子线路、量子纠缠子线路和量子卷积核子线路；其中，
所述量子态编码子线路用于将所述目标图像数据的像素点信息编码到量子态上；
所述量子纠缠子线路用于关联量子比特的量子态信息；
所述量子卷积核子线路用于提取量子态信息携带的像素点对应的特征信息。
具体的，所述输入运行模块，具体用于：
根据所述目标图像数据的像素点信息，确定所述量子态编码子线路中量子逻辑门的待输入参数值；
将所述待输入参数值，输入所述量子态编码子线路。
具体的，所述输入运行模块，具体用于：
在所述一层或多层量子卷积神经网络为一层的情况下，依次运行所述量子态编码子线路、量子纠缠子线路和量子卷积核子线路；
对所述量子卷积核子线路中的预设量子比特进行测量，得到测量出的各量子态及其概率，作为所述量子卷积神经网络的测量结果；
在所述一层或多层量子卷积神经网络为多层的情况下，依次运行各层量子卷积神经网络，对每一层量子卷积神经网络中量子卷积核子线路的预设量子比特进行测量，直至得到最后一层量子卷积神经网络的测量结果，其中，下一层量子卷积神经网络的输入根据上一层量子卷积神经网络的测量结果确定。
具体的，所述结果输出模块，具体用于：
根据所述量子卷积神经网络的测量结果，计算所述目标图像数据的卷积结果；
将所述卷积结果输入预选训练完成的经典神经网络，根据所述经典神经网络中神经元的权重，计算各个图像类别对应的概率；
根据所述各个图像类别对应的概率，输出所述目标图像数据的识别结果。
可见，通过接收目标图像数据，将目标图像数据输入预先训练完成的、用于量子卷积操作的一层或多层量子卷积神经网络，运行量子卷积神经网络，获得并测量携带目标图像数据的特征信息的量子态，其中，量子卷积神经网络由包含可调参数的量子线路构建；然后，将量子态的测量结果输入预选训练完成的经典神经网络，输出目标图像数据的识别结果，从而实现量子计算在图像识别神经网络的应用，以发挥量子计算的并行优势，并补充相关技术的空白。
本发明实施例还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
具体的，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，接收目标图像数据；
S2，将所述目标图像数据输入预先训练完成的、用于量子卷积操作的一层或多层量子卷积神经网络，运行所述量子卷积神经网络，获得并测量携带所述目标图像数据的特征信息的量子态，其中，所述量子卷积神经网络由包含可调参数的量子线路构建；
S3，将所述量子态的测量结果输入预选训练完成的经典神经网络，输出所述目标图像数据的识别结果。
具体的，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明实施例还提供了一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
具体的，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
具体的，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，接收目标图像数据；
S2，将所述目标图像数据输入预先训练完成的、用于量子卷积操作的一层或多层量子卷积神经网络，运行所述量子卷积神经网络，获得并测量携带所述目标图像数据的特征信息的量子态，其中，所述量子卷积神经网络由包含可调参数的量子线路构建；
S3，将所述量子态的测量结果输入预选训练完成的经典神经网络，输出所述目标图像数据的识别结果。
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 (9)

1.一种量子图像识别方法，其特征在于，包括：
接收目标图像数据；
将所述目标图像数据输入预先训练完成的、用于量子卷积操作的一层或多层量子卷积神经网络，运行所述量子卷积神经网络，获得并测量携带所述目标图像数据的特征信息的量子态，其中，所述量子卷积神经网络由包含可调参数的量子线路构建，每一层量子卷积神经网络包括用于将目标输入编码到量子态上的量子态编码子线路、用于关联量子比特的量子态信息的量子纠缠子线路和用于提取量子态信息携带的像素点对应的特征信息的量子卷积核子线路，所述目标输入在第一层量子卷积神经网络中为所述目标图像数据的像素点信息，在除第一层之外的量子卷积神经网络中是根据上一层量子卷积神经网络的测量结果确定的；
将所述量子态的测量结果输入预选训练完成的经典神经网络，输出所述目标图像数据的识别结果。
2.根据权利要求1所述的方法，其特征在于，所述目标图像数据包括：灰度图像数据或彩色图像数据。
3.根据权利要求1所述的方法，其特征在于，所述将所述目标图像数据输入预先训练完成的、用于量子卷积操作的一层或多层量子卷积神经网络，包括：
根据所述目标图像数据的像素点信息，确定所述量子态编码子线路中量子逻辑门的待输入参数值；
将所述待输入参数值，输入所述量子态编码子线路。
4.根据权利要求1所述的方法，其特征在于，所述运行所述量子卷积神经网络，获得并测量携带所述目标图像数据的特征信息的量子态，包括：
在所述一层或多层量子卷积神经网络为一层的情况下，依次运行所述量子态编码子线路、量子纠缠子线路和量子卷积核子线路；
对所述量子卷积核子线路中的预设量子比特进行测量，得到测量出的各量子态及其概率，作为所述量子卷积神经网络的测量结果；
在所述一层或多层量子卷积神经网络为多层的情况下，依次运行各层量子卷积神经网络，对每一层量子卷积神经网络中量子卷积核子线路的预设量子比特进行测量，直至得到最后一层量子卷积神经网络的测量结果。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述将所述量子态的测量结果输入预选训练完成的经典神经网络，输出所述目标图像数据的识别结果，包括：
根据所述量子卷积神经网络的测量结果，计算所述目标图像数据的卷积结果；
将所述卷积结果输入预选训练完成的经典神经网络，根据所述经典神经网络中神经元的权重，计算各个图像类别对应的概率；
根据所述各个图像类别对应的概率，输出所述目标图像数据的识别结果。
6.一种量子图像识别装置，其特征在于，包括：
数据接收模块，用于接收目标图像数据；
输入运行模块，用于将所述目标图像数据输入预先训练完成的、用于量子卷积操作的一层或多层量子卷积神经网络，运行所述量子卷积神经网络，获得并测量携带所述目标图像数据的特征信息的量子态，其中，所述量子卷积神经网络由包含可调参数的量子线路构建，每一层量子卷积神经网络包括用于将目标输入编码到量子态上的量子态编码子线路、用于关联量子比特的量子态信息的量子纠缠子线路和用于提取量子态信息携带的像素点对应的特征信息的量子卷积核子线路，所述目标输入在第一层量子卷积神经网络中为所述目标图像数据的像素点信息，在除第一层之外的量子卷积神经网络中是根据上一层量子卷积神经网络的测量结果确定的；
结果输出模块，用于将所述量子态的测量结果输入预选训练完成的经典神经网络，输出所述目标图像数据的识别结果。
7.根据权利要求6所述的装置，其特征在于，所述目标图像数据包括：灰度图像数据或彩色图像数据。
8.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至5任一项所述的方法。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至5任一项所述的方法。
CN202110339877.3A 2021-02-26 2021-03-30 一种量子图像识别方法及装置 Active CN114792378B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202110339877.3A CN114792378B (zh) 2021-03-30 2021-03-30 一种量子图像识别方法及装置
US18/278,723 US12079691B2 (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
EP22758897.7A EP4283533A4 (en) 2021-02-26 2022-02-23 QUANTUM CONVOLUTION OPERATOR

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110339877.3A CN114792378B (zh) 2021-03-30 2021-03-30 一种量子图像识别方法及装置

Publications (2)

Publication Number Publication Date
CN114792378A CN114792378A (zh) 2022-07-26
CN114792378B true CN114792378B (zh) 2023-08-11

Family

ID=82459947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110339877.3A Active CN114792378B (zh) 2021-02-26 2021-03-30 一种量子图像识别方法及装置

Country Status (1)

Country Link
CN (1) CN114792378B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116797913A (zh) * 2022-10-13 2023-09-22 中移(苏州)软件技术有限公司 一种图像质量评价方法、装置、电子设备及存储介质
CN115641852A (zh) * 2022-10-18 2023-01-24 中国电信股份有限公司 声纹识别方法、装置、电子设备和计算机可读存储介质
CN115759413B (zh) * 2022-11-21 2024-06-21 本源量子计算科技（合肥）股份有限公司 一种气象预测方法、装置、存储介质及电子设备
CN116094686B (zh) * 2022-12-30 2024-03-19 成都信息工程大学 用于量子卷积计算的同态加密方法、系统、设备及终端
CN116403019A (zh) * 2023-01-05 2023-07-07 中国电子科技集团公司第十五研究所 遥感图像量子识别方法、装置、存储介质及电子装置
CN116011682B (zh) * 2023-02-22 2024-06-14 本源量子计算科技（合肥）股份有限公司 一种气象数据预测方法、装置、存储介质及电子装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598935A (zh) * 2014-12-29 2015-05-06 天津瑞为拓新科技发展有限公司 一种基于增量子空间学习算法的人脸识别方法
CN108921049A (zh) * 2018-06-14 2018-11-30 华东交通大学 基于量子门线路神经网络的肿瘤细胞图像识别装置及设备
CN112464003A (zh) * 2020-11-06 2021-03-09 苏州浪潮智能科技有限公司 一种图像分类方法及相关装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3138052B1 (en) * 2014-05-01 2021-07-07 Lockheed Martin Corporation Quantum-assisted training of neural networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598935A (zh) * 2014-12-29 2015-05-06 天津瑞为拓新科技发展有限公司 一种基于增量子空间学习算法的人脸识别方法
CN108921049A (zh) * 2018-06-14 2018-11-30 华东交通大学 基于量子门线路神经网络的肿瘤细胞图像识别装置及设备
CN112464003A (zh) * 2020-11-06 2021-03-09 苏州浪潮智能科技有限公司 一种图像分类方法及相关装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
武艳 ; .基于QGA-BP神经网络的人脸识别技术研究.中国西部科技.2009,(第13期),全文. *

Also Published As

Publication number Publication date
CN114792378A (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN114792378B (zh) 一种量子图像识别方法及装置
CN114821217B (zh) 一种基于量子经典混合神经网络的图像识别方法及装置
WO2022179533A1 (zh) 一种量子卷积操作器
CN114358295B (zh) 基于机器学习框架的二分类方法及相关装置
CN114819163B (zh) 量子生成对抗网络的训练方法、装置、介质及电子装置
CN115759413B (zh) 一种气象预测方法、装置、存储介质及电子设备
CN116011682B (zh) 一种气象数据预测方法、装置、存储介质及电子装置
CN114358318B (zh) 基于机器学习框架的分类方法及相关装置
CN114764619B (zh) 一种基于量子线路的卷积操作方法及装置
CN116403019A (zh) 遥感图像量子识别方法、装置、存储介质及电子装置
CN114358317B (zh) 基于机器学习框架的数据分类方法及相关设备
CN114358319A (zh) 基于机器学习框架的分类方法及相关装置
CN116431807B (zh) 一种文本分类方法、装置、存储介质及电子装置
CN116109854B (zh) 军事武器装备类别确定方法、装置、介质及电子装置
CN116011681A (zh) 一种气象数据预测方法、装置、存储介质及电子装置
CN116403657A (zh) 一种药物反应预测方法、装置、存储介质及电子装置
CN114821147B (zh) 一种量子图像识别的显示方法及装置
CN114372584A (zh) 基于机器学习框架的迁移学习方法及相关装置
CN116740343B (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
CN114819171B (zh) 一种量子卷积操作的实现方法及装置
CN115908943B (zh) 图像分类方法、装置、电子设备及计算机可读存储介质
CN116167407B (zh) 一种基于量子循环神经网络的数据预测方法及相关设备
CN116400430B (zh) 一种气象数据预测方法、装置、存储介质及电子装置
CN116499466B (zh) 一种智能体导航方法、装置、存储介质及电子装置
CN116933879A (zh) 一种量子态的确定方法及装置

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, Hefei 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, Hefei 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