[发明专利]一种基于量子线路的人工神经元构造方法

说明书

本发明请求保护一种基于量子线路的人工神经元构造方法，属于量子机器学习领域，首先将神经元的输入与权重分别编码至量子计算基态上，然后将包含神经元权重值的受控酉门作用在输入量子态上，最后通过量子相位估计得到神经元输出。实现上述方案的量子神经元模型主要由三部分量子线路组成：第一部分为输入与权重相互作用量子线路，该线路可以很好地实现神经元接收到来自不同连接强度输入值的功能；第二部分为相位估计量子线路，该线路则实现了神经元激活函数的功能；第三部分为权重更新量子线路，该线路实现对权重值的更新转换为对表示权重量子态的每一个量子比特状态的更新。本发明具有量子信息处理的优势。

技术领域

本发明属于量子机器学习领域，尤其涉及量子神经网络领域，具体为一种基于量子线路的人工神经元构造方法。

背景技术

在近二十年间，机器学习快速崛起，已经成为大数据时代下的技术基石，而在量子信息科学领域，机器学习与量子计算技术的结合也受到越来越多研究者的关注。机器学习与量子计算相结合的一个主要思路是利用量子状态的叠加和量子算法的加速，来解决当前数据科学中数据量巨大，训练过程缓慢的困难，而量子机器学习领域的研究最早便起源于对量子神经网络的研究。

量子神经网络(Quantum Neural Network,QNN)是将人工神经网络(ArtificialNeural Network,ANN)与量子计算(Quantum Computation)特性相结合的一种新颖的模型，理论上量子神经网络相较于经典神经网络更加智能化，具有更有效的学习和泛化能力。很多研究尝试将经典神经元的sigmoid等非线性激活函数量子化，构建更一般的量子神经元及其网络模型。与经典神经网络相比，这些量子神经网络在某些应用上展现出了优势。但问题在于这些方案都引入了非线性算符，尽管非线性量子力学早有研究，但非线性算法是否可以量子实现任存很大争议。由此可以看出，通用的量子神经网络研究仍然处于探索阶段，而如何更合理地构建集神经计算与量子计算于一体的量子神经网络也是一个非平凡的开放课题。

世界各国学者已经提出了各种不同的量子神经元及其网络模型，并且许多模型已被广泛的应用。例如在医学领域，一种量子激励神经网络已被用于乳腺癌预测；在金融领域，一种以量子多层感知器为基础的量子激励混合体有助于克服金融时间序列预测的随机工作困境；在工程领域，一种基于粗糙集的量子神经网络适用于变压器故障诊断，其在处理不确定数据时非常有用；而在函数逼近问题中，一种量子反向传播神经网络相较于经典反向传播神经网络学习速度更快，拟合能力更强。量子神经网络在现实生活的不同领域都有应用，并相较于传统神经网络都展现出一定的优势。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种基于量子线路的人工神经元构造方法。本发明的技术方案如下：

一种基于量子线路的人工神经元构造方法，其特征在于，包括以下步骤：

将量子神经元模型的经典输入与权重信息分别编码至量子计算基态上，量子神经元模型处理量子信息，而将经典信息编码至量子计算基态上便可作为量子信息进行处理；

将包含神经元权重值的受控酉门作用在已编码至量子计算基态的经典输入信息上；

通过量子相位估计得到神经元输出，量子神经元构造出来用于组建量子神经网络。而量子神经网络是将人工神经网络与量子计算特性相结合的一种新颖的模型，理论上它相较于传统神经网络更加智能化，具有更有效的学习和泛化能力。许多已提出模型已被应用于函数逼近、大数据处理、联合存储设备和自动化控制系统等。而本发明提出的神经元模型组建量子神经网络后，可以作为一种更有效的机器学习模型，可以用于模式识别、信息处理、信号的检测与分析等。

进一步的，所述量子神经元模型由三部分量子线路组成，具体包括：