应用无约束二元二次规划的卷积神经网络性能分析
机器学习
2025-06-03 v1 新兴技术
摘要
卷积神经网络（CNN）在计算机视觉和大数据分析中至关重要，但在大规模数据集上训练时需要大量计算资源。通过反向传播（BP）和均方误差或交叉熵等损失函数进行传统训练通常需要大量迭代，并且可能收敛于次优解。量子计算利用叠加、隧穿和纠缠提供了一种很有前景的替代方案，可以更高效地搜索复杂的优化景观。在这项工作中，我们提出了一种混合优化方法，将无约束二元二次规划（UBQP）公式与随机梯度下降（SGD）相结合，以加速 CNN 训练。在 MNIST 数据集上的评估表明，与标准 BP-CNN 基线相比，我们的方法在保持相似执行时间的同时，准确率提高了 10--15%。这些结果说明了混合量子经典技术在大数据与深度学习的高性能计算（HPC）环境中的潜力。然而，要充分实现这些益处，需要将算法结构与底层量子机制仔细对齐。
引用
@article{arxiv.2506.00247,
title = {Performance Analysis of Convolutional Neural Network By Applying Unconstrained Binary Quadratic Programming},
author = {Aasish Kumar Sharma and Sanjeeb Prashad Pandey and Julian M. Kunkel},
journal= {arXiv preprint arXiv:2506.00247},
year = {2025}
}
备注
11 pages, 22 figures, accepted in IEEE COMPSAC 2025 Conference. Preprint before peer review