一种基于量子卷积神经网络的图像识别系统及方法技术方案

本发明专利技术公开了一种基于量子卷积神经网络的图像识别系统及方法，通过量子态输入单元制备或读入编码输入图像信息的量子比特，通过量子卷积神经网络运算单元对量子比特进行操作，通过量子态测量单元对量子比特进行测量操作，给出输出结果，通过网络优化单元进行训练，以使得量子卷积神经网络的输出结果尽量接近期望输出。本发明专利技术利用量子态编码图像信息，通过基于量子电路构建的量子卷积神经网络来高效地提取图像特征以及进行特征映射，并进行图像识别，能够实现对图像数据或者编码图像信息的量子数据进行高效特征提取，用于快速处理大规模、高维度图像数据的图像识别任务。高维度图像数据的图像识别任务。高维度图像数据的图像识别任务。

【技术实现步骤摘要】
一种基于量子卷积神经网络的图像识别系统及方法


[0001]本专利技术涉及图像处理
，尤其涉及一种基于量子卷积神经网络的图像识别系统及方法。

技术介绍

[0002]经典机器学习和深度学习技术已经成为当前大数据处理与分析的基础技术，在图像识别、自然语言处理、视频分析等领域发挥着重要的作用。随着大数据技术的日益发展，互联网及工业互联网的信息采集和产生设备的部署量日益增长，大数据的数据规模和数据维度都呈现指数级增长的趋势。由于经典计算具有有限的计算能力和存储资源，因而经典机器学习算法的应用也遇到了巨大的挑战。探索量子计算在大数据处理和机器学习中的应用有望拓展新的解决方案。
[0003]量子机器学习是量子计算和机器学习的交叉领域，目前正受到越来越广泛的关注。量子机器学习主要指通过量子计算硬件（包括量子退火计算机、光量子计算机和量子电路等）实现机器学习算法，从而能够更高效、智能地处理经典数据或者量子数据。基于叠加、纠缠和量子并行性等量子属性，量子机器学习有潜力实现超越经典机器学习技术的学习效率和判别效率，以应对信息化浪潮下日益增长的大数据智能处理需求。然而，量子计算所具有独特的性质使得经典机器学习算法无法直接在量子计算硬件上实施，需要设计新的构建方法和训练方法以建立量子机器学习算法。
[0004]卷积神经网络（Convolutional Neural Network, CNN）是经典机器学习技术中一种重要模型，尤其在图像处理和语音识别任务中具有优越性能。卷积神经网络具有两种特殊的网络层：卷积层和池化层，这两种网络层堆叠形成特殊的层级结构，使得卷积神经网络能够高效地从输入数据中提取结构化特征。此外，卷积神经网络所具有局部连接和权值共享的特点降低了网络模型的复杂度，能够显著提升模型的运算效率。
[0005]因此，在图像数据的规模和维度呈现指数级增长的严峻挑战下，借鉴经典卷积神经网络的结构特点，提供一种基于量子计算硬件的，能够充分挖掘量子计算潜力的，能够高效、智能地提取图像中结构化特征的图像识别算法是亟待解决的技术问题。

技术实现思路

[0006]有鉴于此，本专利技术提供了一种基于量子卷积神经网络的图像识别系统及方法，用以快速处理大规模、高维度图像数据的识别任务。
[0007]本专利技术提供的一种基于量子卷积神经网络的图像识别系统，包括：量子态输入单元、量子卷积神经网络运算单元、量子态测量单元以及网络优化单元；其中，所述量子态输入单元，用于制备或读入对图像信息进行编码的量子比特；所述量子卷积神经网络运算单元，包括多个量子神经网络层；其中，每个量子神经网络层为量子卷积层、量子池化层和量子全连接层中的任意一种；所述量子卷积神经网络运算单元用于对所述量子比特施加多种量子门或者多种量子测量操作；
所述量子态测量单元，用于对经过所述量子卷积神经网络运算单元操作后剩余的一个或多个量子比特施加量子测量操作，获取测量结果，并将测量结果映射到输入数据的期望输出值上，给出图像识别任务的输出结果；所述网络优化单元，用于将所述量子态测量单元给出的输出结果与输入数据所对应的期望输出值进行比较，更新所述量子卷积神经网络运算单元中量子门的可调参数，并更新所述量子态测量单元中的可调参数。
[0008]在一种可能的实现方式中，在本专利技术提供的上述基于量子卷积神经网络的图像识别系统中，所述量子态输入单元，用于根据数字图像数据制备编码有相应图像信息的量子比特，或者，用于读入作为输入数据的、编码有图像信息的量子比特。
[0009]在一种可能的实现方式中，在本专利技术提供的上述基于量子卷积神经网络的图像识别系统中，所述量子卷积层由多个量子门组成，所述量子门包括单量子比特门和多量子比特门；所述单量子比特门施加于单个量子比特上，所述多量子比特门施加于相邻的多个量子比特上；所述量子比特为一维量子比特阵列或二维量子比特阵列，所述量子比特的相邻关系为在一维量子比特阵列中相邻、在二维量子比特阵列中相邻以及由量子计算硬件定义的相邻关系中的任意一种；所述量子池化层，包括量子测量操作和受控单量子比特门；其中，所述受控单量子比特门用于依据所述量子测量操作的测量结果，对量子比特施加不同的幺正变换操作；所述量子全连接层，用于对经过所述量子卷积层和所述量子池化层后剩余的量子比特施加多个单量子比特门或多量子比特门。
[0010]在一种可能的实现方式中，在本专利技术提供的上述基于量子卷积神经网络的图像识别系统中，所述量子态测量单元，用于对量子比特施加单次量子测量操作，给出单次测量结果1或
‑
1；或者，所述量子态测量单元，用于对量子比特施加多次量子测量操作，取多次测量结果的平均值为输出结果，或者，对多次测量结果进行函数运算或经典神经网络运算，将运算结果作为输出结果。
[0011]在一种可能的实现方式中，在本专利技术提供的上述基于量子卷积神经网络的图像识别系统中，所述网络优化单元，用于通过定义损失函数，来对输出结果和输入数据的期望输出值进行相似度度量，并通过计算损失函数相对于量子卷积神经网络模型中可调参数的梯度，来更新所述量子卷积神经网络运算单元中量子门的可调参数，并更新所述量子态测量单元中的可调参数。
[0012]本专利技术还提供了一种计算设备，包括本专利技术提供的上述基于量子卷积神经网络的图像识别系统。
[0013]本专利技术还提供了一种基于量子卷积神经网络的图像识别方法，包括如下步骤：S1：获取待识别图像数据集；S2：将所述待识别图像数据集输入预先训练好的量子卷积神经网络模型，依次执行量子态输入单元、量子卷积神经网络运算单元和量子态测量单元后，获取输出结果，作为对输入的待识别图像数据集的识别结果；其中，所述量子卷积神经网络模型的训练过程包括如下步骤：SS1：准备图像识别任务的训练数据集，包括输入数据和对应的期望输出值，所述
输入数据为实数值图像矩阵、二值图像矩阵和存储于量子比特的包含图像信息的量子态中的任意一种；SS2：建立量子卷积神经网络模型，将可调参数调整至初始值；SS3：随机选取部分训练数据集作为单次训练数据，或将全部训练数据集作为单次训练数据；SS4：依据单次训练数据，通过量子态输入单元制备或读入对图像信息进行编码的量子比特；SS5：通过量子卷积神经网络运算单元对所述量子比特施加多种量子门或者多种量子测量操作；SS6：通过量子态测量单元对经过所述量子卷积神经网络运算单元操作后剩余的一个或多个量子比特施加量子测量操作，获取测量结果，并将测量结果映射到期望输出值上，给出图像识别任务的输出结果；SS7：通过网络优化单元比较输出结果和期望输出值的差异，更新所述量子卷积神经网络运算单元中量子门的可调参数，并更新所述量子态测量单元中的可调参数；SS8：返回步骤SS3，重复执行步骤SS3~SS7，直至损失函数值达到设定要求，和/或，训练迭代次数达到设定次数；保存训练完成后的量子神经网络模型，包括保存模型中的量子门序列及其参数。
[0014]在一种可能的实现方式中，在本专利技术提供的上述基于量子卷积神经网络的图像识别方法中，在执行步骤SS2之本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于量子卷积神经网络的图像识别系统，其特征在于，包括：量子态输入单元、量子卷积神经网络运算单元、量子态测量单元以及网络优化单元；其中，所述量子态输入单元，用于制备或读入对图像信息进行编码的量子比特；所述量子卷积神经网络运算单元，包括多个量子神经网络层；其中，每个量子神经网络层为量子卷积层、量子池化层和量子全连接层中的任意一种；所述量子卷积神经网络运算单元用于对所述量子比特施加多种量子门或者多种量子测量操作；所述量子态测量单元，用于对经过所述量子卷积神经网络运算单元操作后剩余的一个或多个量子比特施加量子测量操作，获取测量结果，并将测量结果映射到输入数据的期望输出值上，给出图像识别任务的输出结果；所述网络优化单元，用于将所述量子态测量单元给出的输出结果与输入数据所对应的期望输出值进行比较，更新所述量子卷积神经网络运算单元中量子门的可调参数，并更新所述量子态测量单元中的可调参数；在量子卷积神经网络运算单元中，首先放置量子卷积层，之后交错放置量子卷积层和量子池化层，最后放置量子全连接层；所述量子卷积层由多个量子门组成，所述量子门包括单量子比特门和多量子比特门；所述单量子比特门施加于单个量子比特上，所述多量子比特门施加于相邻的多个量子比特上；所述量子比特为一维量子比特阵列或二维量子比特阵列，所述量子比特的相邻关系为在一维量子比特阵列中相邻、在二维量子比特阵列中相邻以及由量子计算硬件定义的相邻关系中的任意一种；所述量子池化层，包括量子测量操作和受控单量子比特门；其中，所述受控单量子比特门用于依据所述量子测量操作的测量结果，对量子比特施加不同的幺正变换操作；所述量子全连接层，用于对经过所述量子卷积层和所述量子池化层后剩余的量子比特施加多个单量子比特门或多量子比特门。2.如权利要求1所述的基于量子卷积神经网络的图像识别系统，其特征在于，所述量子态输入单元，用于根据数字图像数据制备编码有相应图像信息的量子比特，或者，用于读入作为输入数据的、编码有图像信息的量子比特。3.如权利要求1所述的基于量子卷积神经网络的图像识别系统，其特征在于，所述量子态测量单元，用于对量子比特施加单次量子测量操作，给出单次测量结果1或
‑
1；或者，所述量子态测量单元，用于对量子比特施加多次量子测量操作，取多次测量结果的平均值为输出结果，或者，对多次测量结果进行函数运算或经典神经网络运算，将运算结果作为输出结果。4.如权利要求1所述的基于量子卷积神经网络的图像识别系统，其特征在于，所述网络优化单元，用于通过定义损失函数，来对输出结果和输入数据的期望输出值进行相似度度量，并通过计算损失函数相对于量子...

【专利技术属性】
技术研发人员：吕金虎，高庆，吕颜轩，刘克新，郑瑾，裴迎庆，
申请(专利权)人：中国科学院数学与系统科学研究院，
类型：发明
国别省市：