基于角度-振幅混合编码的量子神经网络及其应用研究

摘要

传统量子神经网络与自注意机制结合的模型需消耗较高的量子位资源，针对其在当前NISQ设备上运行效率低和设计复杂性高的问题，提出了一种混合编码方式，将数据集特征通过特定的方式嵌入量子态中，从而实现角度编码与振幅编码的有效混合；基于该编码方法设计出一种结构独特的双环Ansatz，借鉴自注意机制中的分而治之思想，构建出具备更高表现力的量子神经网络。在鸢尾花分类任务中训练损失值收敛于0，证明模型有效捕捉到鸢尾花特征之间的内在联系；在文本分类任务中与已有方法相比，分类精确度平均提升了8.9%，且在保证效果良好的前提下，成功减少了训练参数的数量。基于角度-振幅混合编码的量子神经网络的轻量化和低复杂度特性使其更适用于当前的NISQ设备。

关键词

量子神经网络 / 混合编码 / 自注意机制 / 文本分类

基金资助

国家自然科学基金面上项目（62072259）; 江苏省自然科学基金（BK20221411）; 南通大学博士启动基金（23B03）;南通大学信息科学技术学院研究生科研与实践创新计划（NTUSISTPR24＿04）; 南通市民生科技计划（MS2023070）