[发明专利]一种量子平均池化计算方法

说明书

本发明涉及一种量子平均池化计算方法，包括以下步骤：将量子卷积结果信息|f_n〉长宽各n‑qbit，按行展开得到|f_2n〉＝(c₀,c₁,c₂,…,c_2n)^T作为输入信息，再将量子态|f_2n〉输入进搭建好的量子平均池化线路模型中；经交换门D_2n作用，|f_2n〉量子态基态的位置发生改变；在第1量子比特与第2n量子比特通过H门作用，其余量子比特经单位阵作用，在此时刻有操作，得到加减相加的量子态基态，其中表示张量积；通过作用后的量子态测量，当测量结果为|00〉态时输出量子平均池化结果；本发明计算方法具有经典计算机无法比拟的超级计算能力，为人工智能、深度学习卷积神经网络等大规模计算难题提供解决方案。

技术领域

本发明涉及语音分析和图像识别领域的量子神经网络计算技术领域，尤其是一种量子平均池化计算方法。

背景技术

卷积神经网络是一种特殊的人工神经网络，目前已经成为语音分析和图像识别领域最常使用的工具之一，因此也是人工神经网络研究热点。Hubel D H等人通过对猫的视觉皮层进行研究发现每个单个神经元不会对整个图像做出回应，而只对其负责的感受野(receptive filed)做出响应。Fukushima K等人在感受野概念的基础上首次提出神经认知机(Neocognitron)模型，被公认为是第一个卷积神经网络(CNN)模型。Lecun Y等提出LeNet-5模型，由卷积层、下采样、全链接层构成卷积神经网络，在手写体数字识别实验上取得巨大成功。Krizhevsky A等人提出AlexNet的出现标志着神经网络的复苏和深度学习的崛起。He K等人提出ResNet的在ImageNet图片分类竞赛上表现超过人类水准的算法。

2006年，研究人员成功利用GPU加速了CNN，相比CPU运算速率快了4倍。但随着数据量的增加，GPU也将无法满足卷积神经网络的计算需求，有必要提出一种新的计算方法应对计算能力的无限提升。依据CNN原理及量子计算的并行计算能力，许兴阳等人构建了量子门组卷积神经网络(QGCNN)模型，Cong I等人引入量子卷积神经网络(QCNN)量子线路模型，将CNN关键特性扩展到了量子域。QCNN由卷积层、池化层、全链接层构成，不断的执行卷积层池化层直到系统足够小，全链接层作用于最后剩余量子比特，最后通过测量固定数量的输出量子位获得线路结果。基于QCNN量子线路模型，结合量子通用门构建了量子平均池化线路模型。

标准CNN模型通常由卷积层、池化层、非线性激活层以及全链接层构成，卷积层对输入信息进行特征提取，池化层依据池化核的大小及步长对卷积输出结果信息进行维度的减小和增加平移不变性，池化分为最大池化与平均池化。

发明内容

本发明的目的就是针对上述情况提出一种量子平均池化计算方法，该计算方法具有经典计算机无法比拟的超级计算能力，为人工智能、深度学习卷积神经网络等大规模计算难题提供解决方案。

本发明的具体方案是：一种量子平均池化计算方法，具体包括以下步骤：

1)将量子卷积结果信息|f_n长宽各n-qbit，按行展开得到|f_2n＝(c₀,c₁,c₂,…,c_2n)^T作为输入信息，再将量子态|f_2n输入进搭建好的量子平均池化线路模型中；

2)经交换门D_2n作用，|f_2n量子态基态的位置发生改变；

3)在第1量子比特与第2n量子比特通过H门作用，其余量子比特经单位阵作用，在此时刻有操作，得到加减相加的量子态基态，其中表示张量积；