本期“量子信息”專欄評述

本期『量子信息』專欄主持人 張仕斌

評“基于量子卷積神經網絡的圖像識別新模型”

張仕斌

圖像識別是圖像研究領域的核心問題，解決圖像識別問題對人臉識別、自動駕駛、機器人等各領域研究都有重要意義。近年來，圖像識別技術的應用范圍進一步擴大，也取得了良好的應用效果，在對工業生產和人們日常生活產生深遠的影響的同時，圖像識別技術的復雜程度逐漸提升，需要識別和理解的信息也日益增加。量子計算具有固有的態疊加和態糾纏特性，這使得量子計算范式優于傳統的人工神經網絡，且量子計算機的存儲單元相比于傳統計算機有指數級的提升，可以同時存儲更多的比特信息，為卷積神經網絡內存不足問題的解決提供了新的思路。

該文設計了一種具有強糾纏特性的參數化量子線路，結合量子計算與經典神經網絡模型的各自優勢，高效地提取出圖像的高維特征信息，并對特征信息進行較為準確地分類；在數字數據集多種二分類處理任務中，量子卷積神經網絡模型性能表現突出，具有較強的學習能力，并且分類準確率高，損失函數的收斂速度更快。與經典卷積神經網絡圖像識別相比，該文提出的量子卷積神經網絡圖像識別新模型解決了對內存和時間要求過高的問題，在圖像識別領域中具有廣闊的應用前景。

評“基于多量子濾波器的QCNN 算法預測厭氧消化性能”

張仕斌

量子計算是信息科學與量子力學相結合的一門具有生命力的新興交叉學科。經過多年來眾多學者的不懈努力，量子理論的研究已經碩果累累，并且對人類生活和科技發展帶來了極大的沖擊和推動。量子神經網絡是在傳統神經網絡的基礎上引入量子計算，是由計算機科學、人工智能、量子物理學等諸多學科交叉融合成的一個全新的前沿學科方向，以提高非線性逼近能力和穩定性等性能為目標，由于其獨特的功能在處理許多復雜問題上具有較高的效率，而且功能更加強大，與傳統的經典神經網絡相比，信息的處理更加高效。

該文通過開發新的量子算法，構建了優秀的量子神經網絡模型，結合了經典神經網絡和量子計算二者的優勢，對從本質上改善神經網絡的性能有重要的理論意義。而厭氧消化是一個極其復雜的過程，該文為一系列復雜的生物操作創建了一個優秀的解決時序問題的數學模型、提供了一個解決方案。總體來說，該文證明了QCNN 算法在實際應用中的有效性和高效性，具有重要的理論意義和實用價值。