近期,上海昆峰量子科技有限公司的量子算法团队发布了重要研究成果:业内首次针对彩色图片分类问题发布量子线路。该线路可以提取有效的图片特征用于图片分类,为量子计算机更好地解决人工智能常见问题提供了可行的解决思路和方案。

在人工智能领域里,目标识别运用十分广泛,而对彩色图片中相关特征的正确提取是以上任务的基石,特征质量的高低直接决定复杂任务完成的质量。现有用于模拟卷积操作的量子线路多针对黑白图片或者简单特征设计,直接将其用于对彩色图片提取特征效果不佳,基于此类特征训练的分类器预测准确率较差。能否对彩色图片进行有效处理,将决定量子卷积神经网络是否最终能够应用在现实场景中。另一方面,使用传统计算机模拟量子线路较为耗时,也在一定程度上限制了各界对量子线路设计进行有效尝试的可能性。

因此,昆峰量子将视线聚焦到了卷积神经网络。昆峰量子算法团队首次提出两种量子线路HQconv及FQconv(参见图一、二),根据kernel size不同分别使用12个以及18个量子比特。

图一、HQconv量子线路示例

图二、FQconv量子线路示例

两种量子线路均可以有效提取彩色图片特征。使用此两种量子线路搭建的混合量子神经网络在CIFAR-10小数据集上的预测准确率超越了类似结构的传统卷积神经网络(见图三)。实验结果表明,使用更大的kernel size对预测精度的提升有明显的帮助(见图四b、d)。与此同时,昆峰量子算法团队也首次研究了量子比特数量对量子卷积线路学习能力的影响。

未来量子计算与人工智能紧密结合,已成为业内关注的焦点。此次研究成果是昆峰量子迈出的基础性与开拓性的一步,同时昆峰量子也将不断通过理论与实践的积累,持续推动实现量子技术应用化落地。

图三、混合量子卷积神经网络和传统卷积神经网络的对比

图四、量子比特数量对于混合量子卷积神经网络预测精度的影响

值得一提的是,昆峰量子经典混合云平台(昆冈)为量子(卷积)神经网络的搭建和训练提供了充足支持,可实现高频次交互和大规模量子比特模拟。

昆峰量子经典混合云平台,是昆峰量子设计研发的量子算法、算法应用的集成开发环境(IDE,Integrated Development Environment)。该开发环境提供了直观强大的交互界面,平台当前支持Python语言,并已在系统内预装了常用的量子开发框架。用户可以无缝调用昆峰自研的高性能量子模拟器,在AWS、阿里云等高性能超算上运行量子程序;同时亦支持后期量子计算芯片的直接调用。

*相关量子线路设计思路以及实验结果请参见昆峰量子论文《RGB Image Classification with Quantum Convolutional Ansaetze》