Apr, 2024

并行比例融合的脉冲量子神经网络优化图像分类

PDF
TL;DR该研究引入了一种名为 PPF-QSNN 的新型架构，通过将数据集信息同时输入脉冲神经网络和变分量子电路，并按照各自的贡献比例合并输出，系统评估了各种 PPF-QSNN 参数对图像分类网络性能的影响，旨在确定最佳配置。MNIST 数据集的数字结果明确表明，我们提出的 PPF-QSNN 在准确度、损失和稳健性等指标上优于现有的脉冲神经网络和串行量子神经网络，为 HQCNN 的发展和应用奠定了基础，推动了人工智能计算中量子优势的应用。
hybrid quantum-classical neural networkparallel proportional fusion of quantum and spiking neural networksppf-qsnnimage classificationquantum advantage
发现论文，激发创造
  • 量子卷积神经网络的分割和并行化，用于学习平移对称数据

    本文提出了一种 split-parallelizing QCNN 架构，通过基于平移对称性拆分量子电路，从而实现了对传统 QCNN 的显著并行，并进一步将计算开销降低到量子位数的数量级，从而改善了量子机器学习的成果表现，为实用性提供了新的可能性，该方法在具有传递对称性的量子数据中的应用效果显著。

    Jun, 2023

  • 一种用于图像分类的层次融合的量子模糊神经网络

    该论文介绍了一种新颖的分层融合量子模糊神经网络（HQFNN），与经典的 FDNN 不同，HQFNN 使用量子神经网络来学习模糊神经网络中的模糊隶属函数，模拟实验证明该模型在不确定数据分类任务上表现出色，并且还展示了所提出的量子电路的鲁棒性。

    Mar, 2024

  • 相干前馈量子神经网络

    我们提出了一种真正的量子神经网络模型，其与传统的呈适应性中间层和节点的前馈神经网络具有相同的灵活性，并且具有较低的电路深度和所需的 C-NOT 门数量，从而优于现有的量子神经网络模型。通过对基准数据集进行测试，我们证明了我们的方法的优越性能，并且使用更少的量子资源要求，为将量子神经网络应用于实际相关的机器学习问题铺平了道路。

    Feb, 2024

  • 混合量子 - 经典卷积神经网络

    本文提出了一种混合量子 - 经典卷积神经网络框架（QCCNN），它结合了卷积神经网络的重要特征以及量子计算特有的优势，适用于当前嘈杂的中尺度量子计算机，并通过 Tetris 数据集的分类任务证明了其优越性能。

    Nov, 2019

  • 量子机器学习用于图像分类

    本研究提出了两种混合量子 - 经典模型：具有平行量子层的神经网络和具有量子卷积层的神经网络，它们解决了图像分类问题。其中我们提出的混合量子方法在 MNIST 数据集上展现了超过 99% 的准确率。这表明将量子效应应用于传统经典模型可以进一步提高图像识别和分类的能力，并为医疗保健、安全和市场营销等各个领域提供有前途的方法。

    Apr, 2023

  • 多尺度特征融合量子深度卷积神经网络用于文本分类

    提出了一种基于量子卷积的全新量子神经网络模型，该模型通过引入多尺度特征融合机制和量子深度卷积来提高模型性能，并通过实验证明其在文本分类任务上优于现有量子神经网络模型，同时在使用更少参数的情况下提高了测试精度。

    May, 2024

  • 针对任意数据维度优化量子卷积神经网络结构

    该论文介绍了一个能够处理任意输入数据维度的量子卷积神经网络 (QCNN) 架构，优化了量子资源的分配，达到了优秀的分类性能，同时最小化了资源开销，为噪声和不完美情况下可靠量子计算提供了最佳解决方案。

    Mar, 2024

  • 可扩展的量子卷积神经网络

    提出一种新型的可伸缩量子卷积神经网络 (sQCNN)，并提供了一种名为反保真度训练 (RF-Train) 的训练算法用于提高 sQCNN 的性能。该网络为量子神经网络 (QNN) 的一种进化，拥有处理高维向量输入的能力，并且可以解决传统 QNN 的局限性。

    Sep, 2022

  • 量子图卷积神经网络

    本文提出基于量子参数电路的新型量子图卷积神经网络（QGCN）模型，利用量子系统的计算能力实现传统机器学习中的图分类任务，并在图数据集上呈现了良好的性能。

    Jul, 2021

  • 量子卷积神经网络

    我们介绍了一种新型的基于卷积神经网络的量子机器学习模型，并进行了分析。它采用了多尺度纠缠重正化基矢和量子纠错技术，具有高效的训练和实现能力，并展示了两个例子来证明其潜力。首先，我们使用 QCNN 准确识别了与一维对称保护拓扑相关的量子态，并发现其在整个参数范围内都能复制相图。其次，我们利用 QCNN 开发了一种优化给定误差模型的量子纠错方案，并发现其显著优于已知的可比较复杂度的量子码。最后，我们讨论了 QCNN 的潜在实验实现和拓展。

    Oct, 2018