CN114821217A - 一种基于量子经典混合神经网络的图像识别方法及装置 - Google Patents

一种基于量子经典混合神经网络的图像识别方法及装置 Download PDF

Info

Publication number
CN114821217A
CN114821217A CN202110722243.6A CN202110722243A CN114821217A CN 114821217 A CN114821217 A CN 114821217A CN 202110722243 A CN202110722243 A CN 202110722243A CN 114821217 A CN114821217 A CN 114821217A
Authority
CN
China
Prior art keywords
quantum
image data
neural network
target image
hybrid neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110722243.6A
Other languages
English (en)
Other versions
CN114821217B (zh
Inventor
窦猛汉
李蕾
方圆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Origin Quantum Computing Technology Co Ltd
Original Assignee
Origin Quantum Computing Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Origin Quantum Computing Technology Co Ltd filed Critical Origin Quantum Computing Technology Co Ltd
Priority to CN202110722243.6A priority Critical patent/CN114821217B/zh
Priority to US18/278,723 priority patent/US20240095563A1/en
Priority to PCT/CN2022/077508 priority patent/WO2022179533A1/zh
Priority to EP22758897.7A priority patent/EP4283533A1/en
Publication of CN114821217A publication Critical patent/CN114821217A/zh
Application granted granted Critical
Publication of CN114821217B publication Critical patent/CN114821217B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于量子经典混合神经网络的图像识别方法及装置，方法包括：接收目标图像数据；其中，目标图像数据为灰度图像数据或彩色图像数据；将目标图像数据输入预先训练完成的、用于图像识别的量子经典混合神经网络，其中，量子经典混合神经网络包括：特征学习模块和分类模块，特征学习模块包括：由量子线路表示的量子卷积核；运行量子经典混合神经网络，输出目标图像数据的识别结果。利用本发明实施例，能够实现量子计算在图像识别神经网络的应用，以发挥量子计算的并行优势，并补充相关技术的空白。

Description

一种基于量子经典混合神经网络的图像识别方法及装置
技术领域
本发明属于量子计算技术领域，特别是一种基于量子经典混合神经网络的图像识别方法及装置。
背景技术
量子计算机是一类遵循量子力学规律进行高速数学和逻辑运算、存储及处理量子信息的物理装置。当某个装置处理和计算的是量子信息，运行的是量子算法时，它就是量子计算机。量子计算机因其具有相对普通计算机更高效的处理数学问题的能力，例如，能将破解RSA密钥的时间从数百年加速到数小时，故成为一种正在研究中的关键技术。
在经典计算机领域，神经网络可以用于图像识别、自然语言处理、语音识别等领域，旨在提取图像、语言、语音等信息载体中的特征信息。然而，量子计算的技术如何应用于神经网络图像识别等领域亟需探索解决。
发明内容
本发明的目的是提供一种基于量子经典混合神经网络的图像识别方法及装置，以解决现有技术中的不足，它能够实现量子计算在图像识别神经网络的应用，以发挥量子计算的并行优势，并补充相关技术的空白。
本申请的一个实施例提供了一种基于量子经典混合神经网络的图像识别方法，方法包括：
接收目标图像数据；其中，所述目标图像数据为灰度图像数据或彩色图像数据；
将所述目标图像数据输入预先训练完成的、用于图像识别的量子经典混合神经网络，其中，所述量子经典混合神经网络包括：特征学习模块和分类模块，所述特征学习模块包括：由量子线路表示的量子卷积核；
运行所述量子经典混合神经网络，输出所述目标图像数据的识别结果。
可选的，所述量子线路包括：用于像素值编码的编码子线路、用于训练的一条或多条训练子线路，所述特征学习模块还包括：池化层。
可选的，所述编码子线路包括第一含参量子逻辑门，所述第一含参量子逻辑门包括第一可调参数；
所述将所述目标图像数据输入预先训练完成的、用于图像识别的量子经典混合神经网络，包括：
针对所述目标图像数据的每组像素值，计算该组像素值对应的、所述第一可调参数的第一可调参数值；
将所述第一可调参数值输入所述第一含参量子逻辑门中。
可选的，所述训练子线路包括用于被训练的第二含参量子逻辑门中的第二可调参数，且所述训练子线路的量子比特数与所述编码子线路相同，均为一组像素值的个数。
可选的，所述分类模块包括：全连接层；
所述运行所述量子经典混合神经网络，输出所述目标图像数据的识别结果，包括：
通过所述量子卷积核对每组像素值进行卷积操作，输出卷积后的第一特征图；
通过所述池化层对所述第一特征图进行池化操作，输出池化后的第二特征图；
通过所述全连接层对所述第二特征图进行分类，输出分类结果，作为所述目标图像数据的识别结果。
可选的，所述通过所述量子卷积核对每组像素值进行卷积操作，输出卷积后的第一特征图，包括：
运行所述量子线路，对所述量子线路进行测量，根据测量结果确定每组像素值的卷积结果，所述卷积结果组成第一特征图。
可选的，所述对所述量子线路进行测量，根据测量结果确定每组像素值的卷积结果，包括：
对所述量子线路的所有量子比特位进行测量，得到所述所有量子比特的各量子态及其振幅；
计算所述振幅对应的概率，根据各所述量子态中预设子态的个数及其对应的概率，计算每组像素值的卷积结果。
本申请的又一实施例一种基于量子经典混合神经网络的图像识别装置，装置包括：
接收模块，用于接收目标图像数据；其中，所述目标图像数据为灰度图像数据或彩色图像数据；
输入模块，用于将所述目标图像数据输入预先训练完成的、用于图像识别的量子经典混合神经网络，其中，所述量子经典混合神经网络包括：特征学习模块和分类模块，所述特征学习模块包括：由量子线路表示的量子卷积核；
输出模块，用于运行所述量子经典混合神经网络，输出所述目标图像数据的识别结果。
本申请的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项所述的方法。
本申请的又一实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项所述的方法。
与现有技术相比，本发明提供的一种基于量子经典混合神经网络的图像识别方法，通过接收目标图像数据；其中，目标图像数据为灰度图像数据或彩色图像数据；将目标图像数据输入预先训练完成的、用于图像识别的量子经典混合神经网络，其中，量子经典混合神经网络包括：特征学习模块和分类模块，特征学习模块包括：由量子线路表示的量子卷积核；运行量子经典混合神经网络，输出目标图像数据的识别结果，从而实现量子计算在图像识别神经网络的应用，以发挥量子计算的并行优势，并补充相关技术的空白。
附图说明
图1为本发明实施例提供的一种基于量子经典混合神经网络的图像识别方法的计算机终端的硬件结构框图；
图2为本发明实施例提供的一种基于量子经典混合神经网络的图像识别方法的流程示意图图；
图3为本发明实施例提供的一种基于量子经典混合神经网络的图像识别装置的结构示意图。
具体实施方式
下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本发明实施例首先提供了一种基于量子经典混合神经网络的图像识别方法，该方法可以应用于电子设备，如计算机终端，具体如普通电脑、量子计算机等。
下面以运行在计算机终端上为例对其进行详细说明。图1为本发明实施例提供的一种基于量子经典混合神经网络的图像识别方法的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的基于量子经典混合神经网络的图像识别方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
需要说明的是，真正的量子计算机是混合结构的，它包含两大部分：一部分是经典计算机，负责执行经典计算与控制；另一部分是量子设备，负责运行量子程序进而实现量子计算。而量子程序是由量子语言如QRunes语言编写的一串能够在量子计算机上运行的指令序列，实现了对量子逻辑门操作的支持，并最终实现量子计算。具体的说，量子程序就是一系列按照一定时序操作量子逻辑门的指令序列。
在实际应用中，因受限于量子设备硬件的发展，通常需要进行量子计算模拟以验证量子算法、量子应用等等。量子计算模拟即借助普通计算机的资源搭建的虚拟架构(即量子虚拟机)实现特定问题对应的量子程序的模拟运行的过程。通常，需要构建特定问题对应的量子程序。本发明实施例所指量子程序，即是经典语言编写的表征量子比特及其演化的程序，其中与量子计算相关的量子比特、量子逻辑门等等均有相应的经典代码表示。
量子线路作为量子程序的一种体现方式，也称量子逻辑电路，是最常用的通用量子计算模型，表示在抽象概念下对于量子比特进行操作的线路，其组成包括量子比特、线路(时间线)，以及各种量子逻辑门，最后常需要通过量子测量操作将结果读取出来。
不同于传统电路是用金属线所连接以传递电压信号或电流信号，在量子线路中，线路可看成是由时间所连接，亦即量子比特的状态随着时间自然演化，在这过程中按照哈密顿运算符的指示，一直到遇上逻辑门而***作。
一个量子程序整体上对应有一条总的量子线路，本发明所述量子程序即指该条总的量子线路，其中，该总的量子线路中的量子比特总数与量子程序的量子比特总数相同。可以理解为：一个量子程序可以由量子线路、针对量子线路中量子比特的测量操作、保存测量结果的寄存器及控制流节点(跳转指令)组成，一条量子线路可以包含几十上百个甚至千上万个量子逻辑门操作。量子程序的执行过程，就是对所有的量子逻辑门按照一定时序执行的过程。需要说明的是，时序即单个量子逻辑门被执行的时间顺序。
需要说明的是，经典计算中，最基本的单元是比特，而最基本的控制模式是逻辑门，可以通过逻辑门的组合来达到控制电路的目的。类似地，处理量子比特的方式就是量子逻辑门。使用量子逻辑门，能够使量子态发生演化，量子逻辑门是构成量子线路的基础，量子逻辑门包括单比特量子逻辑门，如Hadamard门(H门，阿达马门)、泡利-X门(X门)、泡利-Y门(Y门)、泡利-Z门(Z门)、RX门、RY门、RZ门等等；两比特或多比特量子逻辑门，如CNOT门、CR门、CZ门、iSWAP门、Toffoli门等等。量子逻辑门一般使用酉矩阵表示，而酉矩阵不仅是矩阵形式，也是一种操作和变换。一般量子逻辑门在量子态上的作用是通过酉矩阵左乘以量子态右矢对应的矩阵进行计算的。
参见图2，图2为本发明实施例提供的一种基于量子经典混合神经网络的图像识别方法的流程示意图，可以包括如下步骤：
S201，接收目标图像数据；其中，所述目标图像数据为灰度图像数据或彩色图像数据；
具体的，对图像的形式和内容不做限定，包括文字图像等等。
例如，接收的图像数据是灰度图像，其通道数量为1个通道，接收的图像用数据维度大小为四维的张量矩阵形式表示，且像素值范围是在0到1之间的浮点数。假设，接收的图像数量是1张1通道的大小为28*28的灰度图像，则其共有1*1*28*28＝784个像素点；或者，假设传入的图像数据是10张3通道的彩色图像，图像大小是32*32，则共有10*3*32*32＝30720个像素点。
S202，将所述目标图像数据输入预先训练完成的、用于图像识别的量子经典混合神经网络，其中，所述量子经典混合神经网络包括：特征学习模块和分类模块，所述特征学习模块包括：由量子线路表示的量子卷积核；
具体的，量子经典混合神经网络是指涉及量子计算与经典计算的混合神经网络。并且，量子线路可以包括：用于像素值编码的编码子线路、用于训练的一条或多条训练子线路，特征学习模块还可以包括：池化层(Pooling)。
其中，一条量子线路对应一个量子卷积核，一个量子卷积核扫描目标图像，对应提取一种特征。在实际应用中，可以设置多条量子线路，对应多个量子卷积核，从而提取目标图像的多种特征，形成多张特征图，用于更准确地识别图像。
具体的，编码子线路可以包括第一含参量子逻辑门，第一含参量子逻辑门包括第一可调参数，编码子线路的量子比特数为待输入的目标图像数据中一组像素值的个数。
其中，含参量子逻辑门是指酉矩阵含有可调参数的量子逻辑门。编码子线路中的第一含参量子逻辑门可以为旋转逻辑门，例如RX门、RY门、RZ门的一种或多种组合，对逻辑门顺序不做限定，具体包括：RX门；RY门；RZ门；RX门和RY门；RX门和RZ门；RY门和RZ门；RX门、RY门和RZ门。需要说明的是，编码子线路中每个量子比特上设置的逻辑门相同。
在实际应用中，量子卷积核一次扫描目标图像数据中的一组像素值，即量子线路一次接收一组像素值的输入。在下一次扫描时，可以将当前组像素值对应的扫描位置右移一步或多步，扫描右移后的下一组像素值，从而进行下一组像素值的输入。
具体的，针对目标图像数据的每组像素值，可以计算该组像素值对应的、第一可调参数的第一可调参数值，将第一可调参数值输入第一含参量子逻辑门中。
其中，第一可调参数值可以为：对应像素值的反正切值或平方的反正切值，还可以通过预设公式计算，例如，第一可调参数值＝像素值*π/2等等。
示例性的，一组4个像素值x1、x2、x3、x4，编码子线路包括4个量子比特，每个量子比特上的第一含参量子逻辑门均为RY门。计算4个RY门中的第一可调参数值，分别为θ1＝x1*π/2、θ2＝x2*π/2、θ3＝x3*π/2、θ4＝x4*π/2。
再示例性的，一组4个像素值x1、x2、x3、x4，编码子线路包括4个量子比特，每个量子比特上的第一含参量子逻辑门均为RY门和RZ门的组合。计算4个RY门中的第一可调参数值，分别为对应像素值的反正切值arctan x1、arctan x2、arctan x3、arctan x4；计算4个RZ门中的第一可调参数值，分别可以为对应像素值的平方的反正切值
Figure BDA0003136889240000071
Figure BDA0003136889240000072
具体的，训练子线路可以包括第二含参量子逻辑门，作用于单量子比特，例如RY门等等，还包括不含可调参数的预设量子逻辑门，作用于两量子比特，例如作用于相邻两个比特上的CNOT门等等。第二含参量子逻辑门包含第二可调参数，第二可调参数值通过训练确定。并且，训练子线路的量子比特数与编码子线路的量子比特数相同，均为一组像素值的个数，训练子线路的数量可根据卷积操作的实际应用需求设置(串行设置，即量子线路依次包括：编码子线路、训练子线路1、训练子线路2、……)。
S203，运行所述量子经典混合神经网络，输出所述目标图像数据的识别结果。
其中，分类模块可以包括：全连接层(Fully-Connected，全连接网络)。具体的，可以通过量子卷积核对每组像素值进行卷积操作，输出卷积后的第一特征图；通过池化层对所述第一特征图进行池化操作，输出池化后的第二特征图；通过全连接层对所述第二特征图进行分类，输出分类结果，作为所述目标图像数据的识别结果。
具体的，可以运行量子线路，对量子线路进行测量，根据测量结果确定每组像素值的卷积结果，各组像素值的卷积结果组成第一特征图。
具体的，可以对量子线路的所有量子比特位进行测量，得到所有量子比特的各量子态及其振幅；计算振幅对应的概率，根据各量子态及其概率，计算每组像素值的卷积结果。
在一种实现方式中，可以根据各量子态中预设子态的个数及其对应的概率，计算每组像素值的卷积结果。例如，2量子比特的测量结果为：
|00>态，概率P0；|01>态，概率P1；|10>态，概率P2；|11>态，概率P3。计算卷积结果为：
Figure BDA0003136889240000081
其中，n0、n1、n2、n3分别为|00>态、|01>态、|10>态、|11>态中预设子态|1>的个数，即n0＝0、n1＝1、n2＝1、n3＝2，从而得到卷积结果为：
P0-P1-P2+P3
在另一种实现方式中，可以将每一量子态对应的十进制值(如|11>态对应十进制值3)与概率的乘积进行累加，将累加之和确定为每组像素值的卷积结果。
在实际应用中，对量子线路进行测量，根据测量结果确定每组像素值的卷积结果，也可以对量子线路的预设位量子比特进行测量，得到预设位量子比特的各量子态及其振幅；计算各量子态中预设量子态的振幅对应的概率，作为该组像素值的卷积结果。例如，预设位量子比特可以为第一位量子比特，预设量子态可以为第一位量子比特的|1>态，等等。
然后，各组像素值经过量子线路得到卷积结果值，对应排布形成第一特征图，第一特征图的数量与量子线路的数量相同。将第一特征图经过池化和全连接操作，可以输出识别概率最高的图像类别，作为目标图像数据的识别结果。或者，可以依次输出多个乃至全部概率及其对应的图像类别，以概率高低排序，作为目标图像数据的识别结果，例如，假设图像类别包括3类：猫、狗和青蛙，输出的识别结果可以为：猫：87％；狗：11％；青蛙：2％。
在第一次卷积和池化后，可继续进行多次卷积和池化的迭代操作，以提高目标图像识别的准确性。其中，池化和全连接为现有技术，在进行全连接层操作时，先将池化后的第二特征图进行展开(Flatten)，然后进行对应神经元及权重的计算等等，本发明在此不对其进行赘述。
在实际应用中，还可以将识别结果与真实结果进行对比，构建损失函数，通过损失函数对量子卷积核第二可调参数的梯度来迭代更新，以完成量子经典混合神经网络的训练。
对于图像识别的分类问题可以使用交叉熵损失函数，公式如下：
Figure BDA0003136889240000091
其中，n为图像类别数量，yi表示第i个图像类别，例如，y1、y2、y3表示猫、狗、青蛙，p(yi)表示分类数据的真实标签概率分布，q(yi)表示分类数据的预测标签概率分布。
可调参数的梯度计算方式可以如下：
Figure BDA0003136889240000092
其中，f(x；θi)可理解为量子卷积核对应的量子卷积函数,具体为在当前输入为x(像素值)和θi(第二可调参数)时量子卷积核对应测量得到的概率值，x为输入的像素值，θi为量子逻辑门的当前第二可调参数，
Figure BDA0003136889240000093
为梯度。
第二可调参数更新方式可以如下：
Figure BDA0003136889240000094
其中，η为学习率，其值主要依据网络迭代收敛的情况确定，例如为1e-3。如果不收敛或收敛速度过快，比如训练3轮就已经收敛，表示值过大，需要相对减小其值；如果收敛速度较慢，比如训练了30轮，仍然不见收敛，则表示值过小，需要相对调大。
可见，通过接收目标图像数据，将目标图像数据输入预先训练完成的、用于图像识别的量子经典混合神经网络，运行量子经典混合神经网络，输出目标图像数据的识别结果，从而实现量子计算在图像识别神经网络的应用，以发挥量子计算的并行优势，并补充相关技术的空白。
参见图3，图3为本发明实施例提供的一种基于量子经典混合神经网络的图像识别装置的结构示意图，与图2所示的流程相对应，所述装置包括：
接收模块301，用于接收目标图像数据；其中，所述目标图像数据为灰度图像数据或彩色图像数据；
输入模块302，用于将所述目标图像数据输入预先训练完成的、用于图像识别的量子经典混合神经网络，其中，所述量子经典混合神经网络包括：特征学习模块和分类模块，所述特征学习模块包括：由量子线路表示的量子卷积核；
输出模块303，用于运行所述量子经典混合神经网络，输出所述目标图像数据的识别结果。
具体的，所述量子线路包括：用于像素值编码的编码子线路、用于训练的一条或多条训练子线路，所述特征学习模块还包括：池化层。
具体的，所述编码子线路包括第一含参量子逻辑门，所述第一含参量子逻辑门包括第一可调参数；
所述输入模块，具体用于：
针对所述目标图像数据的每组像素值，计算该组像素值对应的、所述第一可调参数的第一可调参数值；
将所述第一可调参数值输入所述第一含参量子逻辑门中。
具体的，所述训练子线路包括用于被训练的第二含参量子逻辑门中的第二可调参数，且所述训练子线路的量子比特数与所述编码子线路相同，均为一组像素值的个数。
具体的，所述分类模块包括：全连接层；
所述输出模块，包括：
卷积单元，用于通过所述量子卷积核对每组像素值进行卷积操作，输出卷积后的第一特征图；
池化单元，用于通过所述池化层对所述第一特征图进行池化操作，输出池化后的第二特征图；
分类单元，用于通过所述全连接层对所述第二特征图进行分类，输出分类结果，作为所述目标图像数据的识别结果。
具体的，所述卷积单元，包括：
测量子单元，用于运行所述量子线路，对所述量子线路进行测量，根据测量结果确定每组像素值的卷积结果，所述卷积结果组成第一特征图。
具体的，所述测量子单元，具体用于：
对所述量子线路的所有量子比特位进行测量，得到所述所有量子比特的各量子态及其振幅；
计算所述振幅对应的概率，根据各所述量子态中预设子态的个数及其对应的概率，计算每组像素值的卷积结果。
可见，通过接收目标图像数据，将目标图像数据输入预先训练完成的、用于图像识别的量子经典混合神经网络，运行量子经典混合神经网络，输出目标图像数据的识别结果，从而实现量子计算在图像识别神经网络的应用，以发挥量子计算的并行优势，并补充相关技术的空白。
本发明实施例还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
具体的，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，接收目标图像数据；其中，所述目标图像数据为灰度图像数据或彩色图像数据；
S2，将所述目标图像数据输入预先训练完成的、用于图像识别的量子经典混合神经网络，其中，所述量子经典混合神经网络包括：特征学习模块和分类模块，所述特征学习模块包括：由量子线路表示的量子卷积核；
S3，运行所述量子经典混合神经网络，输出所述目标图像数据的识别结果。
具体的，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明实施例还提供了一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
具体的，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
具体的，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，接收目标图像数据；其中，所述目标图像数据为灰度图像数据或彩色图像数据；
S2，将所述目标图像数据输入预先训练完成的、用于图像识别的量子经典混合神经网络，其中，所述量子经典混合神经网络包括：特征学习模块和分类模块，所述特征学习模块包括：由量子线路表示的量子卷积核；
S3，运行所述量子经典混合神经网络，输出所述目标图像数据的识别结果。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果，以上所述仅为本发明的较佳实施例，但本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。

Claims (10)

1.一种基于量子经典混合神经网络的图像识别方法，其特征在于，包括：
接收目标图像数据；其中，所述目标图像数据为灰度图像数据或彩色图像数据；
将所述目标图像数据输入预先训练完成的、用于图像识别的量子经典混合神经网络，其中，所述量子经典混合神经网络包括：特征学习模块和分类模块，所述特征学习模块包括：由量子线路表示的量子卷积核；
运行所述量子经典混合神经网络，输出所述目标图像数据的识别结果。
2.根据权利要求1所述的方法，其特征在于，所述量子线路包括：用于像素值编码的编码子线路、用于训练的一条或多条训练子线路，所述特征学习模块还包括：池化层。
3.根据权利要求2所述的方法，其特征在于，所述编码子线路包括第一含参量子逻辑门，所述第一含参量子逻辑门包括第一可调参数；
所述将所述目标图像数据输入预先训练完成的、用于图像识别的量子经典混合神经网络，包括：
针对所述目标图像数据的每组像素值，计算该组像素值对应的、所述第一可调参数的第一可调参数值；
将所述第一可调参数值输入所述第一含参量子逻辑门中。
4.根据权利要求3所述的方法，其特征在于，所述训练子线路包括用于被训练的第二含参量子逻辑门中的第二可调参数，且所述训练子线路的量子比特数与所述编码子线路相同，均为一组像素值的个数。
5.根据权利要求3所述的方法，其特征在于，所述分类模块包括：全连接层；
所述运行所述量子经典混合神经网络，输出所述目标图像数据的识别结果，包括：
通过所述量子卷积核对每组像素值进行卷积操作，输出卷积后的第一特征图；
通过所述池化层对所述第一特征图进行池化操作，输出池化后的第二特征图；
通过所述全连接层对所述第二特征图进行分类，输出分类结果，作为所述目标图像数据的识别结果。
6.根据权利要求5所述的方法，其特征在于，所述通过所述量子卷积核对每组像素值进行卷积操作，输出卷积后的第一特征图，包括：
运行所述量子线路，对所述量子线路进行测量，根据测量结果确定每组像素值的卷积结果，所述卷积结果组成第一特征图。
7.根据权利要求6所述的方法，其特征在于，所述对所述量子线路进行测量，根据测量结果确定每组像素值的卷积结果，包括：
对所述量子线路的所有量子比特位进行测量，得到所述所有量子比特的各量子态及其振幅；
计算所述振幅对应的概率，根据各所述量子态中预设子态的个数及其对应的概率，计算每组像素值的卷积结果。
8.一种基于量子经典混合神经网络的图像识别装置，其特征在于，包括：
接收模块，用于接收目标图像数据；其中，所述目标图像数据为灰度图像数据或彩色图像数据；
输入模块，用于将所述目标图像数据输入预先训练完成的、用于图像识别的量子经典混合神经网络，其中，所述量子经典混合神经网络包括：特征学习模块和分类模块，所述特征学习模块包括：由量子线路表示的量子卷积核；
输出模块，用于运行所述量子经典混合神经网络，输出所述目标图像数据的识别结果。
9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7任一项所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项所述的方法。
CN202110722243.6A 2021-02-26 2021-06-28 一种基于量子经典混合神经网络的图像识别方法及装置 Active CN114821217B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202110722243.6A CN114821217B (zh) 2021-06-28 2021-06-28 一种基于量子经典混合神经网络的图像识别方法及装置
US18/278,723 US20240095563A1 (en) 2021-02-26 2022-02-23 Quantum convolution operator
PCT/CN2022/077508 WO2022179533A1 (zh) 2021-02-26 2022-02-23 一种量子卷积操作器
EP22758897.7A EP4283533A1 (en) 2021-02-26 2022-02-23 Quantum convolution operator

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110722243.6A CN114821217B (zh) 2021-06-28 2021-06-28 一种基于量子经典混合神经网络的图像识别方法及装置

Publications (2)

Publication Number Publication Date
CN114821217A true CN114821217A (zh) 2022-07-29
CN114821217B CN114821217B (zh) 2023-08-08

Family

ID=82526945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110722243.6A Active CN114821217B (zh) 2021-02-26 2021-06-28 一种基于量子经典混合神经网络的图像识别方法及装置

Country Status (1)

Country Link
CN (1) CN114821217B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115641852A (zh) * 2022-10-18 2023-01-24 中国电信股份有限公司 声纹识别方法、装置、电子设备和计算机可读存储介质
CN115759413A (zh) * 2022-11-21 2023-03-07 合肥本源量子计算科技有限责任公司 一种气象预测方法、装置、存储介质及电子设备
CN115761384A (zh) * 2023-01-09 2023-03-07 苏州浪潮智能科技有限公司 一种图像分类方法、装置、电子设备和存储介质
CN115828999A (zh) * 2022-10-21 2023-03-21 中国人民解放军战略支援部队信息工程大学 基于量子态振幅变换的量子卷积神经网络构建方法及***
CN115908943A (zh) * 2022-12-16 2023-04-04 合肥本源量子计算科技有限责任公司 图像分类方法、装置、电子设备及计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200118025A1 (en) * 2018-10-12 2020-04-16 Zapata Computing, Inc. Quantum Computer with Improved Continuous Quantum Generator
CN111260065A (zh) * 2020-01-09 2020-06-09 湖北师范大学 一种二维量子卷积计算方法
CN112464003A (zh) * 2020-11-06 2021-03-09 苏州浪潮智能科技有限公司 一种图像分类方法及相关装置
CN112613571A (zh) * 2020-12-29 2021-04-06 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 一种用于图像识别的量子神经网络方法、***及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200118025A1 (en) * 2018-10-12 2020-04-16 Zapata Computing, Inc. Quantum Computer with Improved Continuous Quantum Generator
CN111260065A (zh) * 2020-01-09 2020-06-09 湖北师范大学 一种二维量子卷积计算方法
CN112464003A (zh) * 2020-11-06 2021-03-09 苏州浪潮智能科技有限公司 一种图像分类方法及相关装置
CN112613571A (zh) * 2020-12-29 2021-04-06 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 一种用于图像识别的量子神经网络方法、***及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周晓彦;安星星;王珂;嵇福高;: "基于测量的量子图像识别研究", 电子测量与仪器学报, no. 10, pages 152 - 159 *
闫茜茜;王鹏程;刘兴云;: "一维量子卷积计算", 计算机工程与应用, no. 08, pages 61 - 65 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115641852A (zh) * 2022-10-18 2023-01-24 中国电信股份有限公司 声纹识别方法、装置、电子设备和计算机可读存储介质
CN115828999A (zh) * 2022-10-21 2023-03-21 中国人民解放军战略支援部队信息工程大学 基于量子态振幅变换的量子卷积神经网络构建方法及***
CN115828999B (zh) * 2022-10-21 2023-09-19 中国人民解放军战略支援部队信息工程大学 基于量子态振幅变换的量子卷积神经网络构建方法及***
CN115759413A (zh) * 2022-11-21 2023-03-07 合肥本源量子计算科技有限责任公司 一种气象预测方法、装置、存储介质及电子设备
CN115908943A (zh) * 2022-12-16 2023-04-04 合肥本源量子计算科技有限责任公司 图像分类方法、装置、电子设备及计算机可读存储介质
CN115761384A (zh) * 2023-01-09 2023-03-07 苏州浪潮智能科技有限公司 一种图像分类方法、装置、电子设备和存储介质
CN115761384B (zh) * 2023-01-09 2023-04-28 苏州浪潮智能科技有限公司 一种图像分类方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN114821217B (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
Tammina Transfer learning using vgg-16 with deep convolutional neural network for classifying images
CN114821217B (zh) 一种基于量子经典混合神经网络的图像识别方法及装置
US20240095563A1 (en) Quantum convolution operator
CN114792378B (zh) 一种量子图像识别方法及装置
CN114358319B (zh) 基于机器学习框架的分类方法及相关装置
CN114358295B (zh) 基于机器学习框架的二分类方法及相关装置
CN115311515B (zh) 混合量子经典的生成对抗网络的训练方法及相关设备
CN115759413B (zh) 一种气象预测方法、装置、存储介质及电子设备
CN114358318B (zh) 基于机器学习框架的分类方法及相关装置
CN116403019A (zh) 遥感图像量子识别方法、装置、存储介质及电子装置
CN114358216B (zh) 基于机器学习框架的量子聚类方法及相关装置
CN114358317B (zh) 基于机器学习框架的数据分类方法及相关设备
CN114764620B (zh) 一种量子卷积操作器
CN114764619B (zh) 一种基于量子线路的卷积操作方法及装置
CN113222153A (zh) 一种量子态的模拟方法、装置、存储介质和电子装置
CN116011682B (zh) 一种气象数据预测方法、装置、存储介质及电子装置
CN115346080A (zh) 基于量子计算的图像处理方法及相关设备
CN116740343B (zh) 一种基于量子经典混合神经网络的图像分割方法及装置
CN114821147B (zh) 一种量子图像识别的显示方法及装置
CN115908943B (zh) 图像分类方法、装置、电子设备及计算机可读存储介质
CN114819171B (zh) 一种量子卷积操作的实现方法及装置
CN114372584B (zh) 基于机器学习框架的迁移学习方法及相关装置
CN117875370A (zh) 一种利用分子数据的任务处理方法及装置
CN117877611A (zh) 一种预测分子性质的方法及装置
CN114881238A (zh) 量子鉴别器的构造方法、装置、介质及电子装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, Hefei high tech Zone, Hefei City, Anhui Province

Applicant after: Benyuan Quantum Computing Technology (Hefei) Co.,Ltd.

Address before: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, Hefei high tech Zone, Hefei City, Anhui Province

Applicant before: ORIGIN QUANTUM COMPUTING COMPANY, LIMITED, HEFEI

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant