[发明专利]利用神经网络分析量子系统相关实验数据的方法

权利要求书

1.一种由电子器件利用神经网络分析量子系统相关实验数据的计算机实现方法，其特征在于，包括：

根据实验数据生成训练数据集；

对训练数据集执行一个或多个过滤操作，以生成一个或多个分别对应于所述过滤操作的已过滤训练数据集；

将所述训练数据集输入到所述第一神经网络中以训练第一神经网络；

将所述已过滤训练数据集输入到第二神经网络以训练第二神经网络；

将测试数据集输入到已训练第一神经网络中，得到所述已训练第一神经网络的标准分类精度，其中所述测试数据集由另一实验数据所生成；

对所述测试数据集执行一个或多个过滤操作，以生成一个或多个已过滤测试数据集；

将所述已过滤测试数据集输入到所述已训练第一神经网络中，获得与所述已过滤测试数据集分别对应的一个或多个第一分类精度；

将所述已过滤测试数据集输入已训练第二神经网络，获得与所述已过滤测试数据集分别对应的一个或多个第二分类精度；

识别第一对的所述标准分类精度与第一分类精度之间的差值、第二对的所述标准分类精度与所述第二分类精度之间的差值、第三对的所述第一分类精度与所述第二分类精度之间的差值；以及

根据不同的差值来判断每一个过滤操作所保留或删除的信息的影响程度，其中影响程度越高的信息对所述第一神经网络和所述第二神经网络的精度的影响越大，

从而在未来生成实验数据的同时，保留一个或多个影响程度较高的信息，去除一个或多个影响程度较低的信息，从而提高神经网络分类操作的效率和准确性。

2.根据权利要求1所述的方法，其特征在于，其中所述第一神经网络或所述第二神经网络的每一个包括：

输入层，其中所述训练数据集、所述已过滤训练数据集、所述测试数据集和所述已过滤测试数据集的实验图像通过所述输入层输入到所述第一神经网络或所述第二神经网络；

卷积层，连接自所述输入层，由24个不同的核组成，其中每个核的大小设为24，每个核的步幅设为1；

激活函数层，连接自所述卷积层，所述激活函数层的激活函数为ReLU函数；

平均池化层，连接自激活函数层，池化区域的大小为2x2，所述池化区域的步幅为1；

丢失层，连接自所述平均池化层，丢失百分比为50％；

全连接层，连接自所述丢失层，由4个神经元组成；

另一激活函数层，连接自所述全连接层，所述另一激活函数层的激活函数为Softmax函数；以及

输出层，其中输出层输出所预测的分类结果。

3.根据权利要求2所述的方法，其特征在于，其中每个实验图像都是在SU(N)费米子上进行飞行时间(TOF)实验产生的图像，其中：

实验图像的尺寸为201x201像素，以及

所预测分类结果包括以下类别之一:SU(1)、SU(2)、SU(5)和SU(6)，并输出所输出类别的概率。

4.根据权利要求1所述的方法，其特征在于，其中所述过滤操作包括：

分区图像操作；

径向平均图像操作；

费米-狄拉克拟合分布操作；

高斯拟合分布操作；

低动量掩模操作；以及

高动量掩模操作。

5.根据权利要求4所述的方法，其特征在于，其中，每个训练数据集、已过滤训练数据集、测试数据集和已过滤测试数据集分别包含一个或多个实验图像和一个或多个与所述实验图像对应的标签，其中每个标签表示相应实验图像所属的类，该方法进一步包括：

在所述费米-狄拉克拟合分布剖面操作或所述高斯拟合分布操作中，除拟合参数外的任何信息都被去除；

在所述径向平均图像处理中，去除了方位密度波动信息，同时也去除了大部分高动量信息；

在所述低动量掩模操作中，去除位于低动量区域的信息，其中中心掩模从实验图像的中心覆盖到一个截止圆，该截止圆具有预定的截止动量半径k_c，其中所述实验图像的中心的原子密度最大；

在所述高动量掩模操作中，去除位于高动量区域的信息，其中边缘掩模从实验图像的边缘覆盖到该截止圆；以及

在所述分区图像操作中，将密度涨落信息部分地去除。