量子神经网络的内在卷积性质
量子物理
2025-04-14 v1
摘要
量子神经网络 (QNN) 是量子计算与深度学习交叉的一个前沿领域。本研究揭示了 QNN 固有的卷积性质，这一性质源于量子门对量子态的天然并行操作。值得注意的是，QNN 能够仅通过单个量子门即可完成卷积层的操作，而经典方法需要 2^n 个基本操作。这一基本性质在现有量子卷积神经网络 (QCNN) 的设计中鲜有被注意，限制了其捕获经典 CNN 关键结构特征的能力，包括局部连接、参数共享以及多通道、多层架构。为此，我们提出了新型的 QCNN 架构，显式地利用 QNN 的卷积特性。我们通过聚焦于多类图像分类的大量数值实验验证了这些架构的有效性。我们的发现为理解 QNN 中卷积机制提供了深入见解，标志着 QCNN 发展的重大进展，拓宽了其高效数据处理的潜力。
引用
@article{arxiv.2504.08487,
title = {The inherent convolution property of quantum neural networks},
author = {Guangkai Qu and Zhimin Wang and Guoqiang Zhong and Yongjian Gu},
journal= {arXiv preprint arXiv:2504.08487},
year = {2025}
}