[发明专利]一种二维量子卷积计算方法

说明书

本发明涉及一种二维量子卷积计算方法，包括有以下步骤：步骤一：将经典目标信息进行量子化编码处理，步骤二：进行(m+v)‑qbit与(n+r)‑qbit量子信息卷积计算，二维量子卷积计算线路模型具体步骤如下：1)目标信息|f_m+v量子态与卷积核|f_n+r量子态进行张量积计算得到|f_l；2)|f_l通过Q_l置换、D_l置换共同完成量子卷积概率幅置换作用；3)置换后的卷积核量子态的量子比特执行H门操作，目标信息量子态的量子比特执行单位阵操作；4)对卷积核量子态进行测量；本发明只需单一门就可以完成的量子卷积操作方法，便于程序化、模块化和集成化，为未来制作量子计算机量子芯片提供了便利，为图像识别、人工智能等一些复杂计算问题提供了有效解决方案。

技术领域

本发明涉及量子卷积神经网络技术领域，尤其是一种二维量子卷积计算方法。

背景技术

量子机器学习(QML)领域在过去几年中发展迅速，国内外有影响力文献的增多就证明了这一观点。BrifC等将机器学习与量子力学优化控制相结合，提出量子控制领域观点并在物理和化学实验上取得成功。BiamonteJ等探索在量子机器学习领域设计和实现量子算法，使其比经典机器学习速率更快，但在硬件和软件上仍存在很大挑战。陆思聪、郑昱、王晓霆、吴热冰出版的量子机器学习控制理论与应用(2017,34(11)1429-1436)的提出，从数据结构、算法角度总结量子机器学习与经典学习的区别，总结并讨论了已有的研究成果；另有学者Dunjko V等从量子信息角度出发提出了一种系统地处理机器学习方法，解决了强化学习中的量子增强问题。

机器学习算法由于维度的增加遭受计算瓶颈，而量子机器学习究其本质而言，测量结果趋向于概率结果，加上量子态的叠加与并行计算能力，其计算速率呈指数增加，量子机器学习有潜力成为整个机器学习应用程序管道中的强大组件。

为了推动实现量子信息处理器的实验进展，许多研究学者已经提出了使用量子计算机来增强常规机器学习任务的建议，量子卷积神经网络(QCNN)在此背境下衍生。QCNN是受经典卷积神经网络(CNN)启发的一种新型量子机器学习模型，具有与CNN类似的分层结构，不同的是QCNN拥有强大的量子计算特性，而这些属性是CNN无法比拟的。

一维量子卷积计算(具体参见申请号为201910054826.9的专利申请)是根据经典卷积计算原理设计出的量子卷积线路模型，但是其信息的维度受到计算限制，具有局限性，因此在一维量子计算的基础上扩展到二维量子的计算是很有必要的。

发明内容

本发明的目的就是针对上述情况提供一种二维量子卷积计算方法，这种只需单一门就可以完成的量子卷积操作方法，便于程序化、模块化和集成化，为未来制作量子计算机量子芯片提供了便利，为图像识别、人工智能等一些复杂计算问题提供了有效解决方案。

本发明的具体方案是：一种二维量子卷积计算方法，其特征在于：包括有以下步骤：

步骤一：将经典目标信息进行量子化编码处理，经典目标信息的像素值由量子态的概率幅表示，像素值的位置由量子态的基态表示：目标信息长M宽为V，卷积核长为N宽为R，且有M＞N、V＞R，当M＝N、V＝R时满足一维量子卷积计算结果，目标信息A_i表示在i位置上的像素值，卷积核B_j表示在j位置上的像素值，将目标信息按行展开得到列向量可以映射为含有m+v个量子比特的量子态|f_m+v；将卷积核按行展开得到列向量可以映射为含有n+r个量子比特的量子态|f_n+r；

步骤二：进行(m+v)-qbit与(n+r)-qbit量子信息卷积计算，其中m＞n、v＞r，设计二维量子卷积线路模型，Q_l为一维量子卷积计算中概率幅置换，l为总的量子比特数，即l＝(m+v)+(n+r)，二维量子卷积计算线路模型具体步骤如下：