模型结构图2亚太杯分赛道五岳杯一等奖.pdfVIP

物

理

学

报

Acta

Phys.

Sin.

Vol.

72,

No.

5

(2023)

058901

面向图像分类的混合量子长短期

记忆神经网络构建方法*

杨光

钞苏亚

聂敏

刘原华

张美玲†

(西安邮电大学通信与信息工程学院,

西安710121)

(2022

年10

月8日收到;

2023

年1

月11日收到修改稿)

长短期记忆(long-short

term

memory,

LSTM)神经网络通过引入记忆单元来解决长期依赖、梯度消失和

梯度爆炸问题,

广泛应用于时间序列分析与预测.

将量子计算与LSTM神经网络结合将有助于提高其计算效

率并降低模型参数个数,

从而显著改善传统LSTM神经网络的性能.

本文提出一种可用于图像分类的混合量

子LSTM

(hybrid

quantum

LSTM,

HQLSTM)网络模型,

利用变分量子电路代替经典LSTM网络中的神经细

胞,

以实现量子网络记忆功能,

同时引入Choquet离散积分算子来增强数据之间的聚合程度.

HQLSTM网络

中的记忆细胞由多个可实现不同功能的变分量子电路(variation

quantum

circuit,

VQC)构成,

每个VQC由

三部分组成:

编码层利用角度编码降低网络模型设计的复杂度;

变分层采用量子自然梯度优化算法进行设计,

使得梯度下降方向不以特定参数为目标,

从而优化参数更新过程,

提升网络模型的泛化性和收敛速度;

测量

层利用泡利Z门进行测量,

并将测量结果的期望值输入到下一层实现对量子电路中有用信息的提取.

在

MNIST,

FASHION-MNIST和CIFAR数据集上的图像分类实验结果表明,

与经典LSTM、量子LSTM相比,

HQLSTM模型获得了较高的图片分类精度和较低的损失值.

同时,

HQLSTM、量子LSTM网络空间复杂度相

较于经典的LSTM网络实现了明显的降低.

关键词：量子神经网络,

变分量子电路,

混合量子长短期记忆神经网络

PACS：89.20.–a,

89.70.–a,

89.75.HcDOI:10.7498/aps.72

1

引言[22]

Cong等提出的量子卷积神经网络(quantum

convolutional

neural

network,

QCNN)只使用

人工神经网络凭借其强大的非线性信息处理

[1,2]O(log(N))变分参数作为N个量子位的输入大小

能力及泛化能力,

成为一种重要的机器学习模

从而减少了网络的复杂度;

2020年,

Henderson等[23]

[3,4][5,6]

型,

被广泛应用于信号处理、自然语言处理、

[7−9]提出了量子卷积层的概念,

通过随机量子电路增强

图片分类等领域.

量子计算基于量子态相干叠加、

纠缠等特性,

能够提供强大的并行计算能力[10−17].了从数据中提取特征的能力,

但是缺乏非线性操作