第 27 卷 第 1 期
Vol. 27 No. 1
控 制 与 决 策
Control and Decision
2012 年 1 月
Jan. 2012
基于量子门线路的量子神经网络模型及算法
文章编号: 1001-0920 (2012) 01-0143-04
李盼池
a,b
, 宋考平
a
, 杨二龙
a
(东北石油大学 a. 石油与天然气工程博士后科研流动站，b. 计算机与信息技术学院，黑龙江 大庆 163318)
摘 要: 提出一种量子神经网络模型及算法. 该模型为一组量子门线路. 输入信息用量子位表示, 经量子旋转门进行
相位旋转后作为控制位, 控制隐层量子位的翻转; 隐层量子位经量子旋转门进行相位旋转后作为控制位, 控制输出层
量子位的翻转. 以输出层量子位中激发态的概率幅作为网络输出, 基于梯度下降法构造了该模型的学习算法. 仿真结
果表明, 该模型及算法在收敛能力和鲁棒性方面均优于普通 BP 网络.
关键词: 量子计算；量子旋转门；受控非门；量子线路；量子神经网络
中图分类号: TP18 文献标识码: A
Quantum neural networks model and algorithm based on quantum gates
circuit
LI Pan-chi
a,b
, SONG Kao-ping
a
, YANG Er-long
a
(a. Post-doctoral Research Center of Oil and Gas Engineering，b. School of Computer and Information Technology,
Northeast Petroleum University，Daqing 163318，China. Correspondent：LI Pan-chi，E-mail：lipanchi@vip.sina.com)
Abstract: A quantum neural networks model and its algorithm are proposed. The model is a group of the quantum gate
circuits. The input information is expressed as the qubits, which, as the control qubits after rotated by the rotation gate,
control the qubits in hidden layer to reversal. The qubits in hidden layer, as the control qubits after rotated by the rotation
gate, control the qubits in output layer to reversal. The final output is described by the probability amplitudes of excited states
in output layer. The learning algorithm is presented based on the gradient descent algorithm. The simulation results show
that the proposed algorithm is superior to the common BP neural networks in both convergence capability and robustness.
Key words: quantum computing；quantum rotation gate；controlled-not gate；quantum circuit；quantum neural networks
1 引引引 言言言
量子神经网络的概念出现于 20 世纪 90 年代, 人
们在这个崭新的领域进行了不同方向的探索, 提出了
很多想法和初步的模型, 充分体现了量子神经网络
研究的巨大潜力. 1995 年, Kak
[1]
首次提出了量子神
经计算的概念. 随后, Gopathy 等人
[2]
借用量子理论中
量子态叠加的思想, 提出了基于多级激励函数的量子
神经网络模型, 在 3 层网络结构中, 隐层量子神经元
的激励函数采用多个传统激励函数的叠加, 使网络
具有一种固有的模糊性. Dan 等人
[3]
提出了量子联想
存储算法, 相对于传统存储, 量子联想存储具有指数
级的存储容量. Ajit 等人
[4]
从多宇宙的量子理论观点,
提出了构建叠加的多宇宙量子神经网络模型的思想.
解光军和庄镇泉
[5]
首次在国内撰文阐述了量子神经
计算的概念, 对国内量子神经网络研究起到了一定的
先导作用. 解光军等人
[6-7]
深入研究了以通用量子逻
辑门组作为计算基函数, 构造量子神经网络模型的新
方法, 研究结果表明该模型的性能优于传统神经网络.
Matsui 等人
[8]
根据量子线路结构提出一种求解异或
问题的量子神经元学习算法. 文献 [9] 提出一种基于
量子输入和量子权值的量子自组织特征映射网络模
型及聚类算法, 可明显提高普通自组织网络的聚类性
能. [10] 基于量子旋转门和量子受控非门的物理意义,
提出一种基于通用量子门组演化的量子 BP 网络模
型. 随后, [11] 提出一种基于量子权值和量子活性值
收稿日期: 2010-09-07；修回日期: 2010-12-08.
基金项目: 国家自然科学基金项目(61170132)；中国博士后科学基金特别项目(201003405)；中国博士后科学基金
项目(20090460864)；黑龙江省博士后科学基金项目(LBH-Z09289)；黑龙江省教育厅科学技术研究项目
(11551015).
作者简介: 李盼池(1969−), 男, 副教授, 博士, 从事量子搜索、量子智能优化等研究；宋考平(1962−), 男, 教授, 博士生
导师, 从事油气田开发工程等研究.
资源评论
