量子并行神經網絡
摘要：本文在前期量子概率神經網絡(QPrNN)的基礎上,提出了一種物理可實現的量子神經網絡,稱為量子并行神經網絡(QPNN).主要特點是基于量子神經元的激活機制,利用量子并行性跟蹤所有網絡狀態來提高分類結果.與之前的研究相比,在網絡各個中間層和輸入層之間添加了連接,增加了量子神經網絡的非線性表達能力,所以結構上可以向深層網絡發展.由于QPNN獨特的量子門性質,該模型在很多條件下對噪聲不敏感,涵蓋了相位偏移和幅值翻轉噪聲.QPNN的另一個優勢是可以作為內存使用,不但可以像經典內存一樣存取數據,還可以作為生成模型,產生新數據.在實驗驗證部分,本次研究選取了兩個標準的例子,MNIST手寫體識別和Cifar-10來驗證其測試誤差.實驗結果表明,QPNN只需采用經典神經網絡3%左右的神經元資源即可超過相對應的全連接前向神經網絡.與QPrNN相比,MNIST的分類測試準確率提高了0.2%;Cifar-10測試準確率提高了3%.同時,MNIST的正確取回概率平均提高了2%.
注: 保護知識產權,如需閱讀全文請聯系計算機學報雜志社
相關推薦
更多
