面向图像分类的平行比例融合脉冲量子神经网络
量子物理
2024-04-03 v1 人工智能
神经与进化计算
摘要
近期出现的混合量子-经典神经网络（HQCNN）架构因整合量子原理以提升各种机器学习算法和计算优势而引起广泛关注。然而，当前研究的串行结构使得信息依次通过网络，常对网络的可训练性和表达性造成限制。本研究引入一种新型架构，称为平行比例融合量子和脉冲神经网络（PPF-QSNN）。数据集信息同时输入脉冲神经网络和变分量子电路，输出按各自贡献比例融合。我们系统评估了不同PPF-QSNN参数对图像分类网络性能的影响，旨在识别最佳配置。在MNIST数据集上进行数值实验，明确显示我们提出的PPF-QSNN在准确性、损失和鲁棒性等指标上均优于现有的脉冲神经网络和串行量子神经网络。该研究引入了一种新型且有效的HQCNN融合方法，为人工智能计算中量子优势的发展和应用奠定了基础。
引用
@article{arxiv.2404.01359,
title = {Parallel Proportional Fusion of Spiking Quantum Neural Network for Optimizing Image Classification},
author = {Zuyu Xu and Kang Shen and Pengnian Cai and Tao Yang and Yuanming Hu and Shixian Chen and Yunlai Zhu and Zuheng Wu and Yuehua Dai and Jun Wang and Fei Yang},
journal= {arXiv preprint arXiv:2404.01359},
year = {2024}
}