搜索

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

量子过程神经网络模型算法及应用

李盼池 王海英 戴庆 肖红

引用本文:
Citation:

量子过程神经网络模型算法及应用

李盼池, 王海英, 戴庆, 肖红

Quantum process neural networks model algorithm and applications

Li Pan-Chi, Wang Hai-Ying, Dai Qing, Xiao Hong
PDF
导出引用
  • 为提高过程神经网络的逼近和泛化能力, 从研究过程神经元信息处理的量子计算实现机理入手, 提出基于量子旋转门及多位受控非门的物理意义构造量子过程神经元的新思想. 将离散化后的过程式输入信息作为受控非门的控制位, 经过量子旋转门作用后控制目标量子位的状态, 以目标量子位处于状态|1概率幅作为量子过程神经元的输出. 以量子过程神经元为隐层, 普通神经元为输出层, 可构成量子过程神经网络. 基于量子计算机理推导了该模型的学习算法. 将该模型用于太阳黑子数年均值预测, 应用结果表明, 所提方法与普通过程神经网络相比, 预测精度有所提高, 对于复杂预测问题具有一定理论意义和实用价值.
    To enhance the approximation and generalization ability of process neural networks (PNNs), by studying the quantum implementation mechanism of information processing of process neuron, a new idea of designing quantum process neuron is proposed in this paper, based on the quantum rotation gates and the quantum controlled-non gates. In the proposed approach, the discrete process inputs are expressed by the qubits, which, as the control qubits of controlled-non gates after being rotated by the quantum rotation gates, control the target qubits to reverse. The model outputs are described by the probability amplitude of state |1 in the target qubits. Then the quantum process neural networks (QPNNs) are designed by the quantum process neurons for the hidden layer and the normal neurons for the output layer. The algorithm of QPNN is derived through the quantum computing. The proposed approach is utilized to predict the smoothed yearly mean sunspot numbers, and the results indicate that the QPNN has higher prediction accuracy than the normal PNN, thus it has a certain theoretical meaning and practical value for the complex prediction.
    • 基金项目: 国家自然科学基金(批准号: 61170132); 中国博士后科学基金(批准号: 20090460864, 201003405); 黑龙江省博士后科学基金(批准号: LBH-Z09289)和黑龙江省教育厅科学基金(批准号: 11551015)资助的课题.
    • Funds: Project supported by the National Natural Science Foundation of China (Grant No. 61170132), the China Postdoctoral Science Foundation (Grant Nos. 20090460864, 201003405), the Postdoctoral Science Foundation of Heilongjiang Province, China (Grant No. LBH-Z09289), and the Scientific Research Foundation of the Education Department of Heilongjiang Province, China (Grant No. 11551015).
    [1]

    Tsoi A C 1994 IEEE Trans. Neural Networ. 7 229

    [2]

    He X G, Liang J Z 2000 Proceedings of the 16th World Computer Conferences on Intelligent Information Processing Beijing, China, August 12-15, 2000 p143

    [3]

    He X G, Liang J Z 2000 Eng. Sci. 2 40 (in Chinese) [何新贵, 梁久祯 2000 中国工程科学 2 40]

    [4]

    He X G, Liang J Z, Xu S H 2001 Eng. Sci. 3 31 (in Chinese) [何新贵, 梁久祯, 许少华 2001 中国工程科学 3 31]

    [5]

    Xu S H, He X G, Liu K 2006 Acta Electron. Sin. 34 1838 (in Chinese) [许少华, 何新贵, 刘坤 2006 电子学报 34 1838]

    [6]

    Xu S H, He X G, Li P C 2003 J. Comput. Res. Dev. 40 1612 (in Chinese) [许少华, 何新贵, 李盼池 2003 计算机研究与发展 40 1612]

    [7]

    Xu S H, He X G 2004 J. BUAA 30 14 (in Chinese) [许少华, 何新贵 2004 北京航空航天大学学报 30 14]

    [8]

    Xu S H, He X G 2004 Pattern Recogn. Artif. Intell. 17 201 (in Chinese) [许少华, 何新贵 2004 模式识别与人工智能 17 201]

    [9]

    Zhong S S, Ding G 2005 Control Decis. 20 764 (in Chinese) [钟诗胜, 丁刚 2005 控制与决策 20 764]

    [10]

    Liang J Z 2006 Pattern Recogn. Artif. Intell. 19 295 (in Chinese) [梁久祯 2006 模式识别与人工智能 19 295]

    [11]

    He X G, Xu S H 2004 Acta Automatica Sin. 30 801 (in Chinese) [何新贵, 许少华 2004 自动化学报 30 801]

    [12]

    Xu S H, Li P C, He X G 2009 CAAI Trans. Intell. Syst. 4 283 (in Chinese) [许少华, 李盼池, 何新贵 2009 智能系统学报 4 283]

    [13]

    Ding G, Zhong S S 2007 Acta Phys. Sin. 56 1224 (in Chinese) [丁刚, 钟诗胜 2007 物理学报 56 1224]

    [14]

    Michiharu M, Masaya S, Hiromi M 2007 Appl. Math. Comput. 185 1015

    [15]

    Li P C, Song K P, Yang E L 2010 Neural Netw. World 20 189

  • [1]

    Tsoi A C 1994 IEEE Trans. Neural Networ. 7 229

    [2]

    He X G, Liang J Z 2000 Proceedings of the 16th World Computer Conferences on Intelligent Information Processing Beijing, China, August 12-15, 2000 p143

    [3]

    He X G, Liang J Z 2000 Eng. Sci. 2 40 (in Chinese) [何新贵, 梁久祯 2000 中国工程科学 2 40]

    [4]

    He X G, Liang J Z, Xu S H 2001 Eng. Sci. 3 31 (in Chinese) [何新贵, 梁久祯, 许少华 2001 中国工程科学 3 31]

    [5]

    Xu S H, He X G, Liu K 2006 Acta Electron. Sin. 34 1838 (in Chinese) [许少华, 何新贵, 刘坤 2006 电子学报 34 1838]

    [6]

    Xu S H, He X G, Li P C 2003 J. Comput. Res. Dev. 40 1612 (in Chinese) [许少华, 何新贵, 李盼池 2003 计算机研究与发展 40 1612]

    [7]

    Xu S H, He X G 2004 J. BUAA 30 14 (in Chinese) [许少华, 何新贵 2004 北京航空航天大学学报 30 14]

    [8]

    Xu S H, He X G 2004 Pattern Recogn. Artif. Intell. 17 201 (in Chinese) [许少华, 何新贵 2004 模式识别与人工智能 17 201]

    [9]

    Zhong S S, Ding G 2005 Control Decis. 20 764 (in Chinese) [钟诗胜, 丁刚 2005 控制与决策 20 764]

    [10]

    Liang J Z 2006 Pattern Recogn. Artif. Intell. 19 295 (in Chinese) [梁久祯 2006 模式识别与人工智能 19 295]

    [11]

    He X G, Xu S H 2004 Acta Automatica Sin. 30 801 (in Chinese) [何新贵, 许少华 2004 自动化学报 30 801]

    [12]

    Xu S H, Li P C, He X G 2009 CAAI Trans. Intell. Syst. 4 283 (in Chinese) [许少华, 李盼池, 何新贵 2009 智能系统学报 4 283]

    [13]

    Ding G, Zhong S S 2007 Acta Phys. Sin. 56 1224 (in Chinese) [丁刚, 钟诗胜 2007 物理学报 56 1224]

    [14]

    Michiharu M, Masaya S, Hiromi M 2007 Appl. Math. Comput. 185 1015

    [15]

    Li P C, Song K P, Yang E L 2010 Neural Netw. World 20 189

  • [1] 姜达, 余东洋, 郑沾, 曹晓超, 林强, 刘伍明. 面向量子计算的拓扑超导体材料、物理和器件研究. 物理学报, 2022, 0(0): 0-0. doi: 10.7498/aps.71.20220596
    [2] 王晨旭, 贺冉, 李睿睿, 陈炎, 房鼎, 崔金明, 黄运锋, 李传锋, 郭光灿. 量子计算与量子模拟中离子阱结构研究进展. 物理学报, 2022, 0(0): 0-0. doi: 10.7498/aps.71.20220224
    [3] 周宗权. 量子存储式量子计算机与无噪声光子回波. 物理学报, 2022, 71(7): 070305. doi: 10.7498/aps.71.20212245
    [4] 张结印, 高飞, 张建军. 硅和锗量子计算材料研究进展. 物理学报, 2021, 70(21): 217802. doi: 10.7498/aps.70.20211492
    [5] 张诗豪, 张向东, 李绿周. 基于测量的量子计算研究进展. 物理学报, 2021, 70(21): 210301. doi: 10.7498/aps.70.20210923
    [6] 丁晨, 李坦, 张硕, 郭楚, 黄合良, 鲍皖苏. 基于辅助单比特测量的量子态读取算法. 物理学报, 2021, 70(21): 210303. doi: 10.7498/aps.70.20211066
    [7] 陈然一鎏, 赵犇池, 宋旨欣, 赵炫强, 王琨, 王鑫. 混合量子-经典算法: 基础、设计与应用. 物理学报, 2021, 70(21): 210302. doi: 10.7498/aps.70.20210985
    [8] 王芙蓉, 杨帆, 张亚, 李世中, 王鹤峰. 基于奇异值分解的矩阵低秩近似量子算法. 物理学报, 2021, 70(15): 150201. doi: 10.7498/aps.70.20210411
    [9] 何映萍, 洪健松, 刘雄军. 马约拉纳零能模的非阿贝尔统计及其在拓扑量子计算的应用. 物理学报, 2020, 69(11): 110302. doi: 10.7498/aps.69.20200812
    [10] 田宇玲, 冯田峰, 周晓祺. 基于冗余图态的多人协作量子计算. 物理学报, 2019, 68(11): 110302. doi: 10.7498/aps.68.20190142
    [11] 孔祥宇, 朱垣晔, 闻经纬, 辛涛, 李可仁, 龙桂鲁. 核磁共振量子信息处理研究的新进展. 物理学报, 2018, 67(22): 220301. doi: 10.7498/aps.67.20180754
    [12] 刘刚钦, 邢健, 潘新宇. 金刚石氮空位中心自旋量子调控. 物理学报, 2018, 67(12): 120302. doi: 10.7498/aps.67.20180755
    [13] 赵士平, 刘玉玺, 郑东宁. 新型超导量子比特及量子物理问题的研究. 物理学报, 2018, 67(22): 228501. doi: 10.7498/aps.67.20180845
    [14] 范桁. 量子计算与量子模拟. 物理学报, 2018, 67(12): 120301. doi: 10.7498/aps.67.20180710
    [15] 潘健, 余琦, 彭新华. 多量子比特核磁共振体系的实验操控技术. 物理学报, 2017, 66(15): 150302. doi: 10.7498/aps.66.150302
    [16] 赵娜, 刘建设, 李铁夫, 陈炜. 超导量子比特的耦合研究进展. 物理学报, 2013, 62(1): 010301. doi: 10.7498/aps.62.010301
    [17] 李盼池, 王海英, 宋考平, 杨二龙. 量子势阱粒子群优化算法的改进研究. 物理学报, 2012, 61(6): 060302. doi: 10.7498/aps.61.060302
    [18] 姚淅伟, 曾碧榕, 刘钦, 牟晓阳, 林星程, 杨春, 潘健, 陈忠. 基于核磁共振的子空间量子过程重构. 物理学报, 2010, 59(10): 6837-6841. doi: 10.7498/aps.59.6837
    [19] 叶 宾, 须文波, 顾斌杰. 量子Harper模型的量子计算鲁棒性与耗散退相干. 物理学报, 2008, 57(2): 689-695. doi: 10.7498/aps.57.689
    [20] 叶 宾, 谷瑞军, 须文波. 周期驱动的Harper模型的量子计算鲁棒性与量子混沌. 物理学报, 2007, 56(7): 3709-3718. doi: 10.7498/aps.56.3709
计量
  • 文章访问数:  4651
  • PDF下载量:  656
  • 被引次数: 0
出版历程
  • 收稿日期:  2011-09-30
  • 修回日期:  2012-02-08
  • 刊出日期:  2012-08-05

量子过程神经网络模型算法及应用

  • 1. 东北石油大学计算机与信息技术学院, 大庆 163318
    基金项目: 国家自然科学基金(批准号: 61170132); 中国博士后科学基金(批准号: 20090460864, 201003405); 黑龙江省博士后科学基金(批准号: LBH-Z09289)和黑龙江省教育厅科学基金(批准号: 11551015)资助的课题.

摘要: 为提高过程神经网络的逼近和泛化能力, 从研究过程神经元信息处理的量子计算实现机理入手, 提出基于量子旋转门及多位受控非门的物理意义构造量子过程神经元的新思想. 将离散化后的过程式输入信息作为受控非门的控制位, 经过量子旋转门作用后控制目标量子位的状态, 以目标量子位处于状态|1概率幅作为量子过程神经元的输出. 以量子过程神经元为隐层, 普通神经元为输出层, 可构成量子过程神经网络. 基于量子计算机理推导了该模型的学习算法. 将该模型用于太阳黑子数年均值预测, 应用结果表明, 所提方法与普通过程神经网络相比, 预测精度有所提高, 对于复杂预测问题具有一定理论意义和实用价值.

English Abstract

参考文献 (15)

目录

    /

    返回文章
    返回