用于模式识别的混合量子启发式 Resnet 与 Densenet

在本文中，我们提出了两种混合量子启发式神经网络，分别具有自适应残差连接和密集连接，用于模式识别。我们解释了混合模型中量子启发层内的对称电路模型框架。我们还阐明了由于量子启发层中的正弦和余弦函数，我们的混合模型在防止梯度爆炸方面的潜在优越性。关于泛化能力的多组数值实验表明，在使用不同噪声数据集的情况下，我们的混合模型与纯经典模型相当。此外，将我们的混合模型与 SOTA 的混合量子-经典卷积网络进行比较，结果表明我们混合的密集连接模型比混合量子-经典网络的准确率高 3%-4%。此外，与其他两种混合量子启发式残差网络相比，我们的模型在具有非对称噪声的图像数据集上表现出略高的准确率。同时，在多组鲁棒性实验方面，结果表明我们的两种混合模型在抵抗具有各种非对称噪声的对抗性参数攻击方面明显优于纯经典模型。它们还表明，对于对称和非对称攻击，我们密集连接的混合模型略优于混合量子-经典网络。同时，我们两种混合模型的准确率略高于两种混合量子启发式残差网络。此外，消融研究表明，我们两种混合模型的识别准确率比没有残差或密集连接的传统量子启发式神经网络高 2%-3%。最后，我们通过分析计算复杂度讨论了混合模型的应用场景。