基于变分测量基的量子卷积神经网络分类模型构建方法

本发明属于量子计算与量子人工智能，具体涉及一种基于变分测量基的量子卷积神经网络分类模型构建方法。

背景技术：

1、随着量子信息技术的持续发展，量子计算、量子通信、量子模拟和量子测量等方向不断取得进展，量子计算与人工智能的交叉融合逐渐成为智能信息处理领域的重要研究方向。分类任务作为模式识别与智能分析中的基础问题，广泛存在于图像识别、量子态识别、材料相判别以及复杂系统状态分析等场景中。如何利用量子叠加、量子纠缠以及量子态高维表征等特性，提高分类任务中的特征提取能力和判别性能，是量子机器学习领域的重要研究内容。

2、现有分类模型主要包括经典神经网络模型以及基于参数化量子线路的量子神经网络模型。经典神经网络虽然在图像分类、模式识别等任务中取得了较好效果，但在处理高维数据、复杂量子态数据或具有量子相关性的任务时，可能存在参数规模较大、训练成本较高以及特征表示效率受限等问题。量子神经网络和量子卷积神经网络通过量子态编码、参数化量子演化和量子测量等过程实现特征处理，为分类任务提供了新的技术路径。

3、然而，现有量子卷积神经网络在完成量子线路演化后，通常采用固定计算基测量或预设的 pauli 测量方式读取量子态信息。例如，常见方案通常采用 pauli-z 基测量，并将测量期望值作为后续分类层的输入。该类固定测量方式实现较为简单，但其测量方向无法随分类任务、输入数据分布以及训练状态进行自适应调整。由于量子测量过程直接决定了量子态信息向经典特征的转换方式，固定测量基可能导致量子态中的部分任务相关信息无法被充分提取，从而限制模型的分类性能和噪声适应能力。

4、此外，现有量子卷积神经网络通常主要对量子线路参数进行优化，而较少将量子测量基本身作为可训练变量进行建模。量子卷积特征提取过程与量子测量读取过程之间缺乏协同优化机制，使得模型在面对不同数据特征和分类目标时，难以动态调整其量子测量策略。

5、现有量子卷积神经网络在分类任务中通常采用固定测量基对量子态信息进行读取，难以根据不同数据特征和分类目标自适应调整量子测量策略，从而限制了量子态中任务相关信息的提取能力，并影响模型的特征表达能力、分类性能及噪声环境下的稳定性。

6、因此，有必要提出一种新的量子卷积神经网络分类模型，使其不仅能够对量子卷积神经网络中的量子线路参数进行优化，还能够对量子测量过程进行自适应调控，从而实现量子特征提取过程与量子测量过程的协同优化，提高分类任务中的特征表达能力、分类准确率以及噪声环境下的稳定性。

技术实现思路

1、为了克服现有技术的不足，本发明提供了一种基于变分测量基的量子卷积神经网络分类模型构建方法，通过引入测量基参数生成网络，将测量基优化过程从传统量子卷积神经网络的固定读出方式中分离出来，并与量子卷积特征提取过程进行协同设计，使测量基能够随分类任务的训练过程自适应优化。与此同时，本发明采用监督学习与强化学习交替进行的混合学习机制，在监督学习阶段优化量子卷积神经网络参数，在强化学习阶段优化测量基参数生成网络参数，从而实现量子特征提取过程与量子测量过程的协同优化。与传统采用固定测量基的量子卷积神经网络相比，本发明能够根据不同分类任务和数据特征自适应调整量子测量策略，在保持模型结构相对紧凑的基础上，提高分类任务中的特征表达能力、分类准确性以及对噪声环境的适应能力，从而为量子机器学习在多类分类场景中的应用提供一种有效的技术方案。

2、本发明解决其技术问题所采用的技术方案如下：

3、步骤1：输入训练数据集，并初始化量子卷积神经网络分类模型参数以及测量基参数生成网络参数；

4、步骤2：进入训练迭代过程，在每一轮训练中首先执行监督学习阶段，并固定测量基参数生成网络参数；

5、步骤3：由测量基参数生成网络输出当前的变分测量基参数，并将训练样本输入量子卷积神经网络，得到对应的分类输出结果；

6、步骤4：根据分类输出结果与真实标签计算监督损失函数，并利用监督损失函数对量子卷积神经网络参数进行更新；

7、步骤5：完成监督学习阶段后，进入强化学习阶段，并固定量子卷积神经网络分类模型参数；

8、步骤6：由测量基参数生成网络重新输出变分测量基参数，将训练样本输入固定参数的量子卷积神经网络分类模型进行分类评估，并根据分类结果构造奖励信号；

9、步骤7：依据奖励信号对测量基参数生成网络参数进行更新，以实现测量基策略的优化；

10、步骤8：重复执行监督学习阶段与强化学习阶段，直至达到预设训练轮数或满足收敛条件，输出优化后的量子卷积神经网络分类模型参数和测量基参数生成网络参数，并用于待分类样本的分类预测。

11、优选地，所述步骤1具体为：

12、输入训练数据集：

13、

14、其中，表示输入样本，表示对应标签；

15、初始化量子卷积神经网络参数，以及测量基参数生成网络参数；其中，表示量子卷积神经网络中的量子线路参数，表示分类输出层参数，表示用于生成变分测量基参数的网络参数；同时设定训练轮数、量子卷积神经网络学习率和测量基参数生成网络学习率。

16、优选地，所述步骤2具体为：

17、在第轮训练中，首先进入监督学习阶段，冻结网络参数，使其在监督学习阶段保持不变；此时仅对量子卷积神经网络分类模型参数和进行训练。

18、优选地，所述步骤3具体为：

19、通过测量基参数生成网络生成当前的变分测量基参数；

20、对于训练数据集中的每一个小批量样本，将输入样本送入量子卷积神经网络，得到分类输出结果：

21、

22、其中，表示模型输出的类别概率分布，表示由量子编码层、量子卷积层、量子池化层、变分测量层以及分类输出层构成的量子卷积神经网络分类映射。

23、优选地，所述步骤4具体为：

24、根据分类输出结果与真实标签计算监督损失函数，采用交叉熵损失函数，表示为：

25、

26、其中，表示监督学习阶段的分类损失函数，表示模型输出类别概率分布与真实标签之间的交叉熵损失函数；

27、然后依据监督损失函数对量子卷积神经网络参数进行更新，在该阶段中，测量基参数生成网络参数保持不变。

28、优选地，所述步骤5具体为：

29、在完成监督学习阶段后，解除对测量基参数生成网络参数的冻结，并进入强化学习阶段；固定量子卷积神经网络参数，使其在强化学习阶段保持不变。

30、优选地，所述步骤6具体为：

31、在强化学习阶段中，对于训练数据集中的每一个小批量样本，由测量基参数生成网络重新生成变分测量基参数：

32、

33、随后将输入样本送入固定参数的量子卷积神经网络中进行分类评估，得到输出结果：

34、

35、根据输出结果与真实标签构造奖励信号；奖励信号用于表征当前测量基参数对分类任务的适应程度，表示为：

36、

37、其中，表示模型输出结果中第个类别的预测概率，表示真实标签的独热编码中第个类别对应的取值。

38、优选地，所述步骤7具体为：

39、依据奖励信号对网络参数进行优化更新，更新方式表示为：

40、

41、其中，表示奖励信号关于测量基参数生成网络参数的梯度，表示测量基参数生成网络的学习率。

42、优选地，所述步骤8具体为：

43、重复执行监督学习阶段和强化学习阶段，直至达到预设训练轮数或模型满足收敛条件；训练完成后，输出优化后的量子卷积神经网络参数以及网络参数；

44、在实际分类过程中，将待分类样本输入训练完成的量子卷积神经网络，并由测量基参数生成网络生成对应的变分测量基参数，得到分类输出结果：

45、

46、再根据输出结果确定样本所属类别。

47、本发明的有益效果如下：

48、相较于传统量子卷积神经网络，本发明能够在保持模型结构相对紧凑的基础上，提高分类任务中的特征表达能力、分类准确率和测量策略适应性，并有助于增强模型在噪声环境下的鲁棒性。该分类模型不仅适用于图像分类任务，也可推广至量子态分类、量子材料相判别等多种分类场景，体现出较好的通用性和应用拓展潜力。