基于量子门组的卷积神经网络设计与实现

摘要

为进一步提高卷积神经网络的训练速度,减少训练成本,建立了量子门组卷积神经网络模型(Quantum Gate Convolutional Neural Network,QGCNN).为了构建QGCNN网络结构,依据传统CNN结构的特点,给出卷积算术线路(Convolutional Arithmetic Circuit,ConvAC)的定义.用张量分解来说明ConvAC的权值系数之间的关系,为构建QGCNN提供理论依据.将QGCNN分为输入表示层、隐藏层和输出层,在此基础上实现对数据进行量子编码,利用量子门组完成数据初始化,网络参数更新等操作.将QGCNN应用到数字手写体识别中,实验结果表明,该方法在手写体识别的准确率和收敛速度上有不错的效果.