CN116341666A - 一种基于量子线路的量子卷积神经网络的设计方法及系统 - Google Patents

Abstract

本发明涉及一种基于量子线路的量子卷积神经网络的设计方法及系统，属于量子计算领域。该方法为：S1：对待分类图像进行标准化处理，并按经典卷积方法对图像进行分区；S2：设计量子图像编码及卷积的量子线路，并对S1分区后的图像进行编码和处理；S3：对S2处理后的图像数据做池化处理，将多个量子比特上的特征信息提取到一个量子比特上；S4：设计量子全连接神经网络以对S3池化后的特征信息进行处理分析并对图像进行分裂。本发明通过量子数据重载的方法，对量子编码及制备进行优化，使得算法模型减少了量子比特数量的消耗，并且保留了经典卷积神经网络的部分连接及权值共享的特点，再不损失精度的前提下减少了线路中参数的数量。

Description

一种基于量子线路的量子卷积神经网络的设计方法及系统

技术领域

本发明属于量子计算领域，涉及一种基于量子线路的量子卷积神经网络的设计方法及系统。

背景技术

图像作为人类生活中最重要信息传输载体之一，是对现实生活中的各种事物和场景最直观、最清晰的展现，也是人们获取信息的重要手段。图像分类作为图像处理、机器学习及人工智能领域的基础，已成为一个重点和热点的研究方向。图像分类就是对图像经过一系列数学运算处理后从图像中得到其特征表达，以表征该图像属于某种预定义好的类别中某个类的分类问题。图像分类主要包括图像预处理、图像特征提取和分类器三个部分。传统的图像分类算法多是基于图像特征进行分类，并且图像特征都是人工提取的，这些由人工提取的特征泛化性较差，并且比较依赖于设计者的先验知识和对任务的主观认知理解。这种依靠人力来分析和研究数据的方式，显然已经无法满足大数据时代对处理效率的要求，机器学习技术使得人们能够利用计算机来智能化地分析和处理海量的数据。

深度学习在图像处理领域中有着巨大的优势，将量子神经网络与深度学习相结合，设计用于图像分类的量子机器学习算法具有重要的意义。卷积神经网络是深度学习中主要的图像处理模型。因此，使用基于参数化量子线路的神经网络代替经典卷积神经网络是将量子机器学习算法应用于图像分类的重要切入点。

发明内容

有鉴于此，本发明的目的在于提供一种基于量子线路的量子卷积神经网络的设计方法及系统。该方法对量子卷积神经网络线路进行优化，对量子卷积层使用量子数据重载的方法，以避开单个量子比特只提供两个态的简单叠加并且旨在布洛赫球内旋转的限制，使用单个量子比特就能够作为一个卷积核对图像相关区域进行特征提取。并且设计了量子池化层对特征进行降维提取，减少后续量子线路的参数量。提出的算法减少了整体量子线路的量子比特数量，并且在参数较少的时候就有着较好的模型性能，使其在当下含噪声的中等规模量子设备下更加容易实现。

为达到上述目的，本发明提供如下技术方案：

一种基于量子线路的量子卷积神经网络的设计方法及系统，该方法包括以下步骤：

S1：将待分类图像进行标准化处理，并按照经典卷积的方法对图像进行分区操作；

S2：设计量子图像编码及量子卷积层的量子线路以对图像进行编码和特征提取；

S3：设计量子池化层的量子线路，对经过量子卷积后的图像特征进行降维提取；

S4：对池化后的量子图像信息输入基于参数化量子线路搭建的量子全连接神经网络，以对图像进行分类。

可选的，所述S1具体为：

S11，将待分类图像进行标准化处理，所述的标准化及分区方法：将待分类图像的所有像素值标准化至[0,1]范围内，使图像信息能够在量子态中精确的表达；

S12，待分类图像进行标准化处理后，按照经典卷积的方法，一个4×4大小的图像，按照卷积核大小为3×3，卷积步长为1的规则，图像分出4个大小为3×3的区域。

可选的，所述S2具体为：

S21，将前面S12分好的4个大小为3×3的图像区域编码到4个量子比特上，并进行处理；所述的编码及处理方法为：将每个3×3大小的图像区域内的像素数据通过量子旋转算符R_ZR_YR_Z编码到1个量子比特上，旋转算符包括3个参数，即编码一个3×3大小的图像需要3个R_ZR_YR_Z旋转算符；

S22，将前面S21编码后的量子比特作用含参数的量子旋转门，旋转门的参数为可调参数，以对编码的图像像素数据进行处理；

S23，将S21和S22作为一个处理层，一个处理层中的每个量子比特都用相同的参数，通过堆叠多个处理层对相应区域的图像进行特征提取，即每个处理层都包含对图像的重新编码，最后量子比特中就保存有每个区域提取出的特征。

可选的，所述S3具体为：

S31，经过S23处理后对量子态进行池化处理，将要进行池化操作的量子比特进行分组，先将相应池化组的量子比特作用H门并通过CNOT门进行纠缠，随后对每个量子比特各作用一个含参旋转门Ry门，其中参数为可调参数，每一组池化组量子比特都使用同一组参数；

S32，经过S31处理后，对每个池化组中的量子比特进行依次测量操作，根据当前量子比特的测量结果判断是否对下一个量子比特进行一个R_z旋转门操作且参数固定；最后留下一个量子比特存储图像特征信息。

可选的，所述S4具体为：

S41，将经过S32处理后剩余的量子比特输入一个基于参数化量子线路的量子全连接层进行处理，首先将剩余的量子比特通过双量子比特门CNOT门进行纠缠，再在每个量子比特上作用含参旋转门，选择Ry和R_ZR_YR_Z门进行演化；

S42，将S41所述的作为一层量子层，通过堆叠这些量子层获得不同的线路可表达性，对每个量子比特进行Z期望值测量，将测量的期望值输入一层相应类别数量的神经元的经典神经网络进行分类处理；

利用开源量子计算工具包Pennylane以及Anaconda提供的包管理和环境管理功能，用Python语言模拟并实现量子卷积神经网络的实验仿真。

基于所述方法的基于参数化量子线路的量子卷积神经网络的设计系统，系统包含量子部分和经典部分；

所述经典部分包含对图像的预处理和分类输出部分；

所述量子部分包含量子卷积层和量子神经网络；

待分类图像首先经过经典部分的预处理，包括标准化和对图像进行分区；其次将图片分出来的各个区域按照S2的方法编码到训练好的量子线路中，进行量子部分的处理，首先对图像分出的各个区域通过量子卷积层进行图像特征提取，再将提取后的特征按照S3的方法进行池化操作以降维；剩下的量子比特组成量子神经网络按照S4对图像进行分类，最后测量所有量子比特并将测量的期望值输入到一层经典的神经网络并得到图像分类的结果，即图像的标签本发明的有益效果在于：

1.本发明对量子图像编码和卷积方法进行了优化设计，虽然同是使用角度编码的方法，但相比于角度编码可以减少制备相同大小图像所需要的量子比特数量，并且能够很好的提取特征；相比于振幅编码，在适当增加量子比特数量的情况下减少了编码的复杂度以使算法模型能够适应当下含噪声中等规模量子设备的第一代量子计算机。

2.本发明很好的保留了经典卷积神经网络中部分连接以及权值共享的特点，相比于使用量子全连接神经网络模型实现分类任务能够减少参数数量并且提高模型的分类性能。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明方法的技术路线图；

图2为待分类图像；图2(a)为8×8待分类图像的经典示意图，2(b)、2(c)、2(d)、2(e)、2(f)、2(g)、2(h)、2(i)、2(j)、2(k)、2(l)、2(m)、2(n)、2(o)、2(p)、2(q)分别为待分类图像按照经典卷积方法分出的16个卷积区域；

图3为本发明基于量子数据重载的方法设计的图像的编码及卷积层单层线路图；

图4为本发明设计的编码及卷积线路N层线路图；

图5为本发明设计的量子池化层线路图；

图6为量子编码、卷积层和量子池化层的量子线路图；图6(a)为本发明在8×8图像上的量子编码和卷积量子线路，6(b)为本发明将4个量子比特池化成1个量子比特量子线路图；

图7为本发明中用到的单层量子神经网络量子线路；

图8为本发明对2分类任务的经典输出层线路；

图9为本发明完整的模型线路图；

图10为本发明在手写数字二分类任务上训练的结果图；图10(a)为对UCI手写数字数据集中数字“3”和“6”进行二分类任务的模型精度图；图10(b)为UCI手写数字数据集中数字“3”和“6”进行二分类任务的模型损失图；

图11为本发明的系统框架图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

请参阅图1～图11，为一种基于量子线路的量子卷积神经网络的设计方法及系统。

具体在本实施例中，S1具体为：

第一步，获取待处理图像的基本信息，将图像像素标准化到[0,1]的范围，得到8×8的像素值范围为[0,1]的图像，由于后续步骤，对于8×8需要进行填充，将其填充成9×9的图像；

第二步，取一个3×3的卷积核模板对图像进行分区，对于上下和左右方向的步长均为2；分别提取到如图2(b)到图2(q)的16个3×3大小的待编码图像区域。

本实施例中与经典卷积神经网络中的相同，根据图像大小和选择的不同能够分出不同的卷积区域，再根据卷积区域的数量选择相应的量子比特数量对其进行编码。

S2具体为：设计量子卷积神经网络编码和卷积部分的量子线路，对步骤S1分区后的图像进行编码和卷积操作：

第一步，将16个待编码的区域分别编码到16个量子比特上，编码方式选择用R_ZR_YR_Z旋转算符进行编码，其中包含3个参数，每3个参数包含待编码区域中的三个像素值，分别用3个R_ZR_YR_Z旋转算符对数据进行编码；

第二步，对16个量子比特进行数据编码后，每个量子比特上再使用一个R_ZR_YR_Z旋转算符作为参数层，需要注意的是每个量子比特上用的是相同的可调参数，量子线路中的酉演化可以表示为：

以上步骤搭建成卷积神经网络中卷积部分的单个处理层，如图3的线路即为单层卷积线路。

第三步，通过堆叠不同深度的卷积层线路，对编码后的每个图像区域内的特征进行不同程度的提取，期间量子比特不进行纠缠，通过堆叠N层电路得到图4的N层深度的卷积量子线路，其酉变换可表示为：

S3具体为：设计量子池化层的量子线路，对经过步骤S2卷积处理后的图像数据进行特征降维提取操作：

第一步，在16个量子比特上将每4个量子比特池化成一个量子比特上则是将4个量子比特分为一个池化组。对所有量子比特作用H门，并以环形连接的方式将相应池化组的量子比特通过CNOT门纠缠起来；

第二步，对每个池化组中的4个量子比特作用4个含参旋转门R_y，每个池化组使用同一组参数，则包含4个可调参数；

第三步，依次对前三个量子比特进行测量，根据当前测量结果判断是否对下一个量子比特作用一个参数固定的R_z旋转门，最后4个量子比特中的信息被提取到一个量子比特上，整个量子线路最终只剩4个量子比特储存有图像的特征信息。量子池化层具体量子线路图如图5。则针对8×8图像的量子卷积层和池化层分别如图6(a)和图6(b)所示。

S4具体为：设计量子全连接神经网络，对进行特征提取后的图像进行分类，经过步骤S1处理后的8×8图像，编码到量子比特上经过S2和S3进行线路深度为2的卷积和池化操作量子线路图如图7，将剩下的四个量子比特输入量子全连接神经网络层进行分类，具体步骤为：

第一步，量子池化层输出为4个量子比特，在4量子比特上作用含参Ry门或者R_ZR_YR_Z旋转算符，再以邻域连接的方式通过CNOT门对4个量子比特进行纠缠，此为图7所示的一层全连接神经网络；

第二步，通过堆叠多层量子全连接神经网络，得到不同的量子线路可表达性以对图像进行分类，数据经过多层两自身经网络的处理后，对每个量子比特进行Z期望值测量，表示为：

<Z>_|ψ>＝<ψ|Z|ψ> (3)

得到4个期望值，将其输入一层经典的神经网络，输出神经元的个数与当前分类任务的类别数量相同，图8为对一个二分类任务所设计的量子线路到经典神经网络的输出线路。经典层的输出使用sofmax激活函数，损失函数使用交叉熵函数，最后使用Adam优化器对模型中的参数进行优化以最小化损失函数。

经过前面的步骤，图9的量子卷积神经网络模型搭建完成，通过在Pennylane框架上进行UCI手写数据集中的数字“3”和“6”进行二分类任务的仿真实验，图10为仿真实验的精度和损失图，量子全连接神经网络均为4层深度，图中黑、红、蓝以及绿线分别代表量子卷积层线路深度为1、2、3和4的精度以及损失结果，可以看到本发明设计的线路使用较少的参数就可以使模型具有较好的性能，并且收敛较快。

图11为本发明的整体系统框架图。整个系统包含量子部分和经典部分，其中经典部分又包含对图像的预处理和分类输出部分；量子部分包含量子卷积层和量子神经网络。待分类图像首先经过经典部分的预处理，包括标准化和对图像进行分区；其次将图片分出来的各个区域按照步骤S2的方法编码到训练好的量子线路中，进行量子部分的处理，首先对图像分出的各个区域通过量子卷积层进行图像特征提取，再将提取后的特征按照步骤S3的方法进行池化操作以降维；剩下的量子比特组成量子神经网络按照步骤S4对图像进行分类，最后测量所有量子比特并将测量的期望值输入到一层经典的神经网络并得到图像分类的结果，即图像的标签。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于量子线路的量子卷积神经网络的设计方法，其特征在于：该方法包括以下步骤：

S1：将待分类图像进行标准化处理，并按照经典卷积的方法对图像进行分区操作；

S2：设计量子图像编码及量子卷积层的量子线路以对图像进行编码和特征提取；

S3：设计量子池化层的量子线路，对经过量子卷积后的图像特征进行降维提取；

S4：对池化后的量子图像信息输入基于参数化量子线路搭建的量子全连接神经网络，以对图像进行分类。

2.根据权利要求1所述的一种基于量子线路的量子卷积神经网络的设计方法，其特征在于：所述S1具体为：

S11，将待分类图像进行标准化处理，所述的标准化及分区方法：将待分类图像的所有像素值标准化至[0,1]范围内，使图像信息能够在量子态中精确的表达；

S12，待分类图像进行标准化处理后，按照经典卷积的方法，一个4×4大小的图像，按照卷积核大小为3×3，卷积步长为1的规则，图像分出4个大小为3×3的区域。

3.根据权利要求2所述的一种基于量子线路的量子卷积神经网络的设计方法及系统，其特征在于：所述S2具体为：

S21，将前面S12分好的4个大小为3×3的图像区域编码到4个量子比特上，并进行处理；所述的编码及处理方法为：将每个3×3大小的图像区域内的像素数据通过量子旋转算符R_ZR_YR_Z编码到1个量子比特上，旋转算符包括3个参数，即编码一个3×3大小的图像需要3个R_ZR_YR_Z旋转算符；

S22，将前面S21编码后的量子比特作用含参数的量子旋转门，旋转门的参数为可调参数，以对编码的图像像素数据进行处理；

S23，将S21和S22作为一个处理层，一个处理层中的每个量子比特都用相同的参数，通过堆叠多个处理层对相应区域的图像进行特征提取，即每个处理层都包含对图像的重新编码，最后量子比特中就保存有每个区域提取出的特征。

4.根据权利要求2所述的一种基于量子线路的量子卷积神经网络的设计方法，其特征在于：所述S3具体为：

S31，经过S23处理后对量子态进行池化处理，将要进行池化操作的量子比特进行分组，先将相应池化组的量子比特作用H门并通过CNOT门进行纠缠，随后对每个量子比特各作用一个含参旋转门Ry门，其中参数为可调参数，每一组池化组量子比特都使用同一组参数；

S32，经过S31处理后，对每个池化组中的量子比特进行依次测量操作，根据当前量子比特的测量结果判断是否对下一个量子比特进行一个R_z旋转门操作且参数固定；最后留下一个量子比特存储图像特征信息。

5.根据权利要求4所述的一种基于量子线路的量子卷积神经网络的设计方法，其特征在于：所述S4具体为：

S41，将经过S32处理后剩余的量子比特输入一个基于参数化量子线路的量子全连接层进行处理，首先将剩余的量子比特通过双量子比特门CNOT门进行纠缠，再在每个量子比特上作用含参旋转门，选择Ry和R_ZR_YR_Z门进行演化；

S42，将S41所述的作为一层量子层，通过堆叠这些量子层获得不同的线路可表达性，对每个量子比特进行Z期望值测量，将测量的期望值输入一层相应类别数量的神经元的经典神经网络进行分类处理；

利用开源量子计算工具包Pennylane以及Anaconda提供的包管理和环境管理功能，用Python语言模拟并实现量子卷积神经网络的实验仿真。

6.基于权利要求1～5中任一项所述方法的基于量子线路的量子卷积神经网络的设计系统，其特征在于：该系统包含量子部分和经典部分；

所述经典部分包含对图像的预处理和分类输出部分；

所述量子部分包含量子卷积层和量子神经网络；

待分类图像首先经过经典部分的预处理，包括标准化和对图像进行分区；其次将图片分出来的各个区域按照S2的方法编码到训练好的量子线路中，进行量子部分的处理，首先对图像分出的各个区域通过量子卷积层进行图像特征提取，再将提取后的特征按照S3的方法进行池化操作以降维；剩下的量子比特组成量子神经网络按照S4对图像进行分类，最后测量所有量子比特并将测量的期望值输入到一层经典的神经网络并得到图像分类的结果，即图像的标签。

Images