作者：许兴阳; 刘宏志量子计算量子神经网络卷积神经网络量子门
摘要：为进一步提高卷积神经网络的训练速度，减少训练成本，建立了量子门组卷积神经网络模型（Quantum Gate Convolutional Neural Network，QGCNN）。为了构建QGCNN网络结构，依据传统CNN结构的特点，给出卷积算术线路（Convolutional Arithmetic Circuit，ConvAC）的定义。用张量分解来说明ConvAC的权值系数之间的关系，为构建QGCNN提供理论依据。将QGCNN分为输入表示层、隐藏层和输出层，在此基础上实现对数据进行量子编码，利用量子门组完成数据初始化，网络参数更新等操作。将QGCNN应用到数字手写体识别中，实验结果表明，该方法在手写体识别的准确率和收敛速度上有不错的效果。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
