[发明专利]量子多通道卷积神经分类方法、系统、终端及存储介质

说明书

本发明提供一种量子多通道卷积神经分类方法、系统、终端及存储介质，包括：将传统二维数据转化为量子态输入数据；根据计算场景需求设置通道数，并生成与通道数同等数量的量子卷积核，所述量子卷积核由一定数量的量子旋转门构成；量子通道内的卷积核对输入数据进行量子计算；将量子卷积核计算输出的量子比特的概率值作为所属量子通道的输出标签概率；根据各量子通道的输出标签概率确定识别结果。本发明可利用量子计算方式直接对二维图像进行分类任务，且本发明的分类方法计算过程为线性过程，使用该方法后量子卷积神经网络为全局的线性计算过程，具有卓越的泛化能力。

技术领域

本发明量子计算技术领域，具体涉及一种量子多通道卷积神经分类方法、系统、终端及存储介质。

背景技术

随着量子计算的研究深入，其在机器学习中的应用正逐步成为一个崭新的研究方向。卷积神经网络与量子理论相结合，从而构建量子卷积神经网络计算，是一种全新的计算模型，是机器学习研究中的极具潜力的前沿课题，同时它也很可能是未来人工智能发展的新热点。

量子卷积神经网络主要由量子比特和量子门构成。在量子卷积神经网络中使用的基本单元为量子比特，对应计算机当中比特的概念。量子比特有两个可能的状态|0，|1，对应比特的开关状态，但与经典比特的区别在于，量子比特的状态可以是两种状态的线性叠加状态，其形式为：

其中α，β称为量子态的概率幅，分别表示处于两种态的概率分布，满足|α|²+|β|²＝100％。这也是量子比特的特点与优势之一，可以同时表征两种状态，量子计算也正是利用这个特性。量子卷积神经网络的二维输入中的每个像素位均为量子比特表示，并且卷积核也同样的为量子态二维矩阵。

量子门也是实现量子卷积神经网络的基础，是对量子态进行的控制操作。常用的单量子控制门量子旋转门R(θ)都可以使目标量子比特旋转特定的角度，即改变其概率幅分布，起到和传统卷积神经网络卷积核参数的作用。多位量子控制门，如n位受控非门是在前n个量子比特全为|1态时候，才对目标比特进行作用，多在量子比特信息聚合时使用。

目前量子卷积神经网络方面的研究较为稀少，调研发现仅有的一些工作均采用的是单通道的计算模式。目前量子卷积神经网络在分类的过程中，通常仍然采用Softmax方法。Softmax在机器学习中有非常广泛的应用，非常多的多分类神经网络、卷积神经网络在输出层采用这种函数。

单通道大大限制了模型的扩展和能力提升。Softmax分类函数是非线性的，非线性计算过程会存在一些不可预知的问题，目前卷积神经网络的泛化性能差很有可能就是非线性计算过程的结果。

发明内容

针对现有技术的上述不足，本发明提供一种量子多通道卷积神经分类方法、系统、终端及存储介质，以解决上述技术问题。

第一方面，本发明提供一种量子多通道卷积神经分类方法，包括：

将传统二维数据转化为量子态输入数据；

根据计算场景需求设置通道数，并生成与通道数同等数量的量子卷积核，所述量子卷积核由一定数量的量子旋转门构成；

量子通道内的卷积核对输入数据进行量子计算；

将量子卷积核计算输出的量子比特的概率值作为所属量子通道的输出标签概率；

根据各量子通道的输出标签概率确定识别结果。

进一步的，所述将传统二维数据转化为量子态输入数据，包括：

预先存储多种映射方法；

选取与所述传统二维数据匹配的映射方法将所述传统二维数据转化为量子态输入数据。