本期“量子信息”专栏评述

本期『量子信息』专栏主持人 张仕斌

评“基于量子卷积神经网络的图像识别新模型”

张仕斌

图像识别是图像研究领域的核心问题，解决图像识别问题对人脸识别、自动驾驶、机器人等各领域研究都有重要意义。近年来，图像识别技术的应用范围进一步扩大，也取得了良好的应用效果，在对工业生产和人们日常生活产生深远的影响的同时，图像识别技术的复杂程度逐渐提升，需要识别和理解的信息也日益增加。量子计算具有固有的态叠加和态纠缠特性，这使得量子计算范式优于传统的人工神经网络，且量子计算机的存储单元相比于传统计算机有指数级的提升，可以同时存储更多的比特信息，为卷积神经网络内存不足问题的解决提供了新的思路。

该文设计了一种具有强纠缠特性的参数化量子线路，结合量子计算与经典神经网络模型的各自优势，高效地提取出图像的高维特征信息，并对特征信息进行较为准确地分类；在数字数据集多种二分类处理任务中，量子卷积神经网络模型性能表现突出，具有较强的学习能力，并且分类准确率高，损失函数的收敛速度更快。与经典卷积神经网络图像识别相比，该文提出的量子卷积神经网络图像识别新模型解决了对内存和时间要求过高的问题，在图像识别领域中具有广阔的应用前景。

评“基于多量子滤波器的QCNN 算法预测厌氧消化性能”

张仕斌

量子计算是信息科学与量子力学相结合的一门具有生命力的新兴交叉学科。经过多年来众多学者的不懈努力，量子理论的研究已经硕果累累，并且对人类生活和科技发展带来了极大的冲击和推动。量子神经网络是在传统神经网络的基础上引入量子计算，是由计算机科学、人工智能、量子物理学等诸多学科交叉融合成的一个全新的前沿学科方向，以提高非线性逼近能力和稳定性等性能为目标，由于其独特的功能在处理许多复杂问题上具有较高的效率，而且功能更加强大，与传统的经典神经网络相比，信息的处理更加高效。

该文通过开发新的量子算法，构建了优秀的量子神经网络模型，结合了经典神经网络和量子计算二者的优势，对从本质上改善神经网络的性能有重要的理论意义。而厌氧消化是一个极其复杂的过程，该文为一系列复杂的生物操作创建了一个优秀的解决时序问题的数学模型、提供了一个解决方案。总体来说，该文证明了QCNN 算法在实际应用中的有效性和高效性，具有重要的理论意义和实用价值。