量子增强机器学习：量子经典混合卷积神经网络

《中国科学：物理学 力学 天文学》英文版(SCIENCE CHINA Physics, Mechanics & Astronomy, SCPMA)出版了信息工程大学黄合良和郭楚课题组成果，文章题为“Hybrid Quantum-Classical Convolutional Neural Networks”[1]，于2021年第9期刊出，清华大学邓东灵教授撰写了点评文章[2]。

卷积神经网络在计算机视觉等领域取得了巨大成功，而量子计算机的飞速发展让科研人员看到了利用量子计算机加强经典机器学习能力的可能性。该工作提出了量子-经典混合卷积神经网络（QCCNN）架构，并给出了适用任意量子-经典混合函数的自动微分框架。QCCNN继承了CNN的基本框架，但把CNN中的关键步骤──特征提取函数filter替换为“量子特征提取函数 quantum filter”。比如对于n×n的特征窗口，量子特征提取函数首先通过比特编码将其编码成一个量子态，然后通过参数化量子线路演化量子态，最后通过期望值测量输出一个实数。通过引入带参数的量子线路，增强卷积神经网络的性能。

量子-经典混合卷积神经网络架构示意图

QCCNN具有以下3个重要特点：

1）相比于其他受CNN启发的量子机器学习方案，QCCNN最大限度地继承了CNN的架构，如非线性、多层架构，相比于同样架构的CNN，QCCNN的特征提取函数可以在更大的空间提取特征，因而原则上QCCNN可以达到更高的学习精度，这一点在文中通过一个小型数据集得到了数值验证；

2）由于CNN中的特征窗口尺寸通常不大，如3×3到9×9，量子特征提取函数可以比较容易地基于近期量子计算机实现；

3）QCCNN没有量子计算机的输入输出问题。另外，QCCNN架构也可以使用量子数据作为输入，在这种情况下，QCCNN可以在计算能力上实现相对于经典计算机的“量子优势”。