基于量子卷积神经网络的图像分类研究

摘要

为了解决经典神经网络在数据规模爆炸式增长情况下出现的算力瓶颈问题，探索基于量子计算的量子卷积神经网络(quantum convolutional neural network, QCNN)成为了研究热点。基于含噪中规模量子(noisy intermediate-scale quantum, NISQ)设备所能提供的有限资源，构建用于图像分类的量子卷积神经网络。采用角度编码，基于数据重载分类器设计了卷积层，构建四量子比特的池化层；设计了两种结构的量子全连接层对图像进行分类，并分析了其结构对QCNN分类性能的影响。仿真实验表明，提出的QCNN模型在二分类任务上具有更高的分类精度和更好的泛化性能，最高分类精度为100.00%,最低为94.55%,平均达到97.29%;提高了模型的线路深度，可以使得模型在四分类任务中的分类精度超过90%。

关键词

图像分类 / 卷积神经网络 / 参数化量子线路 / 量子卷积神经网络