混合量子神经网络及其数字识别应用

摘要

为探索量子计算与神经网络交叉融合的可能性,提出一种基于混合量子经典神经网络的数字识别模型。该模型将参数化量子电路加入卷积模型实现嵌入与直接输出混合,将卷积全连接层信息作为量子层控制参数,经过系列酉变换进行特征处理。在MNIST数据集上通过数字识别实验展示该结构潜力。结合迁移学习,利用卷积网络与混合网络提取图像深层次特征并进行特征融合,改善单一卷积网络在小样本数据集上的过拟合问题。实验结果表明,该模型具有有效性、实用性和高泛化性能,直接输出混合网络和嵌入式混合网络在MNIST数据集上的识别率分别较卷积网络提高0.0398和0.0211。经过迁移学习和特征融合后的混合模型在小样本数据集上的识别率均优于单一网络,达到83%,验证了模型的学习和泛化能力。