混合量子下采样网络
量子物理
2024-05-28 v1
摘要
经典最大池化在各种著名的深度学习模型中在降低数据维度方面起着至关重要的作用，但它常常导致重要信息的丢失。我们提出了一种新颖的混合量子下采样模块（HQD），这是一种具有抗噪性的算法。通过集成大量的量子比特，我们的方法确保了原始图像的关键特征在局部感受野内得到最大程度的保留。此外，HQD在含噪中等规模量子（NISQ）时代提供了独特的优势。我们在设计中引入了一个独特的量子变分电路，利用旋转门（包括RX、RY、RZ门）和受控非（CNOT）门来探索非线性特征。结果表明，在CIFAR-10和CIFAR-100数据集上，结合了HQD模块的网络架构显著优于使用最大池化的经典结构。所有测试模型的准确率平均提高了约3%，在各种量子噪声条件下，最大波动仅为0.4%。
引用
@article{arxiv.2405.16375,
title = {Hybrid Quantum Downsampling Networks},
author = {Yifeng Peng and Xinyi Li and Zhiding Liang and Ying Wang},
journal= {arXiv preprint arXiv:2405.16375},
year = {2024}
}