用于浮游植物分类的混合量子-经典卷积神经网络

浮游植物的分类组成和丰度对海洋生态系统动态和全球环境变化有直接影响，被列为基本海洋变量。浮游植物分类对浮游植物分析至关重要，但由于浮游植物数量巨大且体积微小而非常困难。机器学习是自动进行浮游植物图像分类的主要方法。在进行海洋浮游植物大规模研究时，数据量呈压倒性增长，机器学习算法的成功需要更强大的计算资源。近年来，量子机器学习通过利用量子计算机的指数级计算能力，已成为大规模数据处理的潜在解决方案。在此，我们首次展示了量子深度神经网络用于浮游植物分类的可行性。基于经典架构开发了混合量子-经典卷积和残差神经网络。这些模型在当前量子设备的有限功能与浮游植物图像的大尺寸之间取得了适当平衡，使得在近-term量子计算机上进行浮游植物分类成为可能。量子增强模型相比经典对应模型获得了更好的性能。特别是，量子模型比经典模型收敛快得多。本量子模型具有通用性，可应用于海洋科学领域的各种图像分类任务。