本期『量子信息』專欄主持人 張仕斌

評“基于量子卷積神經(jīng)網(wǎng)絡(luò)的圖像識別新模型”

張仕斌

圖像識別是圖像研究領(lǐng)域的核心問題，解決圖像識別問題對人臉識別、自動駕駛、機(jī)器人等各領(lǐng)域研究都有重要意義。近年來，圖像識別技術(shù)的應(yīng)用范圍進(jìn)一步擴(kuò)大，也取得了良好的應(yīng)用效果，在對工業(yè)生產(chǎn)和人們?nèi)粘Ｉ町a(chǎn)生深遠(yuǎn)的影響的同時，圖像識別技術(shù)的復(fù)雜程度逐漸提升，需要識別和理解的信息也日益增加。量子計算具有固有的態(tài)疊加和態(tài)糾纏特性，這使得量子計算范式優(yōu)于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，且量子計算機(jī)的存儲單元相比于傳統(tǒng)計算機(jī)有指數(shù)級的提升，可以同時存儲更多的比特信息，為卷積神經(jīng)網(wǎng)絡(luò)內(nèi)存不足問題的解決提供了新的思路。

該文設(shè)計了一種具有強(qiáng)糾纏特性的參數(shù)化量子線路，結(jié)合量子計算與經(jīng)典神經(jīng)網(wǎng)絡(luò)模型的各自優(yōu)勢，高效地提取出圖像的高維特征信息，并對特征信息進(jìn)行較為準(zhǔn)確地分類；在數(shù)字?jǐn)?shù)據(jù)集多種二分類處理任務(wù)中，量子卷積神經(jīng)網(wǎng)絡(luò)模型性能表現(xiàn)突出，具有較強(qiáng)的學(xué)習(xí)能力，并且分類準(zhǔn)確率高，損失函數(shù)的收斂速度更快。與經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)圖像識別相比，該文提出的量子卷積神經(jīng)網(wǎng)絡(luò)圖像識別新模型解決了對內(nèi)存和時間要求過高的問題，在圖像識別領(lǐng)域中具有廣闊的應(yīng)用前景。

評“基于多量子濾波器的QCNN 算法預(yù)測厭氧消化性能”

張仕斌

量子計算是信息科學(xué)與量子力學(xué)相結(jié)合的一門具有生命力的新興交叉學(xué)科。經(jīng)過多年來眾多學(xué)者的不懈努力，量子理論的研究已經(jīng)碩果累累，并且對人類生活和科技發(fā)展帶來了極大的沖擊和推動。量子神經(jīng)網(wǎng)絡(luò)是在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上引入量子計算，是由計算機(jī)科學(xué)、人工智能、量子物理學(xué)等諸多學(xué)科交叉融合成的一個全新的前沿學(xué)科方向，以提高非線性逼近能力和穩(wěn)定性等性能為目標(biāo)，由于其獨特的功能在處理許多復(fù)雜問題上具有較高的效率，而且功能更加強(qiáng)大，與傳統(tǒng)的經(jīng)典神經(jīng)網(wǎng)絡(luò)相比，信息的處理更加高效。

該文通過開發(fā)新的量子算法，構(gòu)建了優(yōu)秀的量子神經(jīng)網(wǎng)絡(luò)模型，結(jié)合了經(jīng)典神經(jīng)網(wǎng)絡(luò)和量子計算二者的優(yōu)勢，對從本質(zhì)上改善神經(jīng)網(wǎng)絡(luò)的性能有重要的理論意義。而厭氧消化是一個極其復(fù)雜的過程，該文為一系列復(fù)雜的生物操作創(chuàng)建了一個優(yōu)秀的解決時序問題的數(shù)學(xué)模型、提供了一個解決方案?？傮w來說，該文證明了QCNN 算法在實際應(yīng)用中的有效性和高效性，具有重要的理論意義和實用價值。