量子卷积神经网络和量子卷积神经网络的设计方法与流程

本技术涉及量子计算领域，更具体而言，涉及一种量子卷积神经网络和量子卷积神经网络的设计方法。

背景技术：

1、在经典计算机领域，卷积神经网络在提取特征信息方面具有出色的性能，广泛应用于图像、音频和视频等领域。而相对于基于经典计算机有限算力的卷积神经网络，基于量子计算机并运用量子计算的量子卷积神经网络更为高效和快速，尤其是在处理复杂的数据结构和执行特定类型的计算任务时，量子卷积神经网络有望展现出其独特的优势。但相关技术中，对于不同的应用场景，往往需要不同的量子卷积神经网络，降低了量子计算机的整体效率和适用性。

技术实现思路

1、本技术提供了一种量子卷积神经网络和量子卷积神经网络的设计方法。

2、本技术实施方式提供一种量子卷积神经网络，所述量子卷积神经网络包括量子态编码模块、量子卷积模块和量子池化模块；

3、所述量子态编码模块支持至少两种编码方式，所述量子态编码模块被配置为响应于选定的编码方式，将输入数据的特征映射为与所选定的编码方式相对应的量子态数据特征；

4、所述量子卷积模块支持至少两种卷积方式，所述量子卷积模块被配置为响应于选定的卷积方式，对所述量子态数据特征进行卷积处理得到与所选定的卷积方式相对应的卷积化量子态数据特征；

5、所述量子池化模块支持至少两种池化方式，所述量子池化模块被配置为响应于选定的池化方式，对所述卷积化量子态数据特征进行池化处理得到池化量子态数据特征，以得到所述输入数据的预估数据。

6、如此，本技术提供的量子卷积神经网络包括量子态编码模块、量子卷积模块和量子池化模块。每个模块均提供至少两种该模块下对输入数据的处理方式，从而能够针对不同的机器学习任务和数据类型定制量子神经网络，根据用户需求组建合适的量子卷积神经网络。

7、某些实施方式中，所述量子卷积神经网络还包括量子卷积神经网络训练模块，所述量子卷积神经网络训练模块被配置为根据所述预估数据与所述输入数据相对应的真实输出数据得到当前损失，以及根据所述当前损失与目标损失对所述量子卷积神经网络进行优化。

8、如此，量子卷积神经网络还包括量子卷积神经网络训练模块，量子卷积神经网络训练模块被配置为根据预估数据与输入数据相对应的真实输出数据得到当前损失，以及根据当前损失与目标损失对量子卷积神经网络进行优化。这样，量子卷积神经网络还包括卷积神经网络训练模块，能够对得到的预估数据和真实输出数据进行处理，得到当前损失。并基于计算出的当前损失，训练模块会使用优化算法对量子卷积神经网络进行优化，以减少损失，提高模型的预测准确性。

9、在某些实施方式中，所述量子卷积神经网络训练模块被配置为：

10、根据所述预估数据与所述真实输出数据得到所述当前损失；

11、比较所述当前损失和所述目标损失；

12、在所述当前损失不满足所述目标损失的情况下，优化量子态编码模块。

13、如此，量子卷积神经网络训练模块根据预估数据与真实输出数据得到当前损失。并比较当前损失和目标损失。在当前损失不满足目标损失的情况下，量子卷积神经网络训练模块优化量子态编码模块。这样，量子卷积神经网络训练模块得到当前损失，基于当前损失和目标损失，确定优化量子态编码模块。

14、在某些实施方式中，所述量子卷积神经网络训练模块被配置为：

15、对所选定的编码方式中的量子门参数进行调整得到优化编码方式；

16、根据所述优化编码方式将所述输入数据的特征映射为所述量子态数据特征。

17、如此，量子卷积神经网络训练模块对所选定的编码方式中的量子门参数进行调整得到优化编码方式。并根据优化编码方式将输入数据的特征映射为量子态数据特征。这样，量子卷积神经网络训练模块通过调整所选定编码方式中的量子门参数优化编码方式，并基于优化编码方式将输入数据映射为新的量子态数据，以获取准确的预估结果，提高量子卷积神经网络的准确性。

18、在某些实施方式中，所述量子态编码模块支持单旋转门局部特征编码方式、cz门纠缠编码方式和cnot门编码方式中的至少两种编码方式。

19、如此，量子态编码模块支持单旋转门局部特征编码方式、cz门纠缠编码方式和cnot门编码方式中的至少两种编码方式。这样，量子态编码模块提供至少两种编码方式，以便用户根据需求选取合适的编码方式，适应不用的应用场景。

20、在某些实施方式中，所述量子卷积模块支持参数化量子卷积方式、两比特级联结构卷积方式、量子环形卷积方式和两比特最近邻量子卷积方式中的至少两种卷积方式。

21、如此，量子卷积模块支持参数化量子卷积方式、两比特级联结构卷积方式、量子环形卷积方式和两比特最近邻量子卷积方式中的至少两种卷积方式。这样，量子卷积模块提供至少两种卷积方式，以便用户根据需求选取合适的卷积方式，适应不用的应用场景。

22、在某些实施方式中，所述量子池化模块支持双比特量子池化方式、参数化量子门及cnot组成的池化方式、双比特双向量子池化方式和级联多比特量子池化方式中的至少两种池化方式。

23、如此，量子池化模块支持双比特量子池化方式、参数化量子门及cnot组成的池化方式、双比特双向量子池化方式和级联多比特量子池化方式中的至少两种池化方式。这样，量子池化模块提供至少两种池化方式，以便用户根据需求选取合适的池化方式，适应不用的应用场景。

24、在某些实施方式中，所述输入数据包括：图像、自然语言或音频数据。

25、如此，量子卷积神经网络能够处理包括图像、自然语言或音频数据等多种数据，应对多种不同的应用场景。

26、本技术实施方式提供一种量子卷积神经网络的设计方法，所述方法包括：

27、提供支持至少两种编码方式的量子态编码模块，以根据选定的编码方式，将输入数据的特征映射为与所选定的编码方式相对应的量子态数据特征；

28、提供支持至少两种卷积方式的量子卷积模块，以根据选定的卷积方式，对所述量子态数据特征进行卷积处理得到与所选定的卷积方式相对应的卷积化量子态数据特征；

29、提供支持至少两种池化方式的量子池化模块，以根据选定的池化方式，对所述卷积化量子态数据特征进行池化处理得到池化量子态数据特征，以得到所述输入数据的预估数据。

30、如此，量子卷积神经网络提供支持至少两种编码方式的量子态编码模块，以根据选定的编码方式，将输入数据的特征映射为与所选定的编码方式相对应的量子态数据特征。接着，量子卷积神经网络提供支持至少两种卷积方式的量子卷积模块，以根据选定的卷积方式，对量子态数据特征进行卷积处理得到与所选定的卷积方式相对应的卷积化量子态数据特征。最后，量子卷积神经网络提供支持至少两种池化方式的量子池化模块，以根据选定的池化方式，对卷积化量子态数据特征进行池化处理得到池化量子态数据特征，以得到输入数据的预估数据。这样提供一个灵活的量子卷积神经网络，可以针对不同的机器学习任务和数据类型定制量子神经网络，根据用户需求组建合适的量子卷积神经网络。

31、在某些实施方式中，所述方法还包括：

32、提供量子卷积神经网络训练模块，以根据所述预估数据和与所述输入数据相对应的真实输出数据得到当前损失，以及根据所述当前损失与目标损失对所述量子卷积神经网络进行优化。

33、如此，本方法提供量子卷积神经网络训练模块，以根据预估数据和与输入数据相对应的真实输出数据得到当前损失，以及根据当前损失与目标损失对量子卷积神经网络进行优化。这样通过迭代优化过程，使得网络能够从数据中学习并提高其预测准确性。

34、本技术的实施方式的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实施方式的实践了解到。