基于变分量子深度神经网络的图像分类方法
Abstract
<p indent="0mm">变分量子算法是在NISQ时代实现量子优势最具潜力的方法之一, 它的高维希尔伯特空间有助于捕捉图像数据中更复杂的模式和特征. 然而, 变分量子线路复杂的参数空间容易出现梯度消失问题和局部最小值问题, 在处理更复杂的图像问题时面临训练性和学习能力之间的矛盾. 本文提出了一种面向图像分类的变分量子深度神经网络模型, 模型基于一种便于扩展的参数化量子线路, 能够避免梯度消失问题, 并利用高效评估的量子自然梯度规避局部最小值问题. 数值仿真表明, 该模型具有较强的训练性和学习能力, 该图像分类方法能够处理更复杂的图像数据.</p>
