一种基于变分量子电路的忆阻器神经形态计算优化方法

技术领域

本发明属于量子计算技术领域，具体涉及一种基于变分量子电路的忆阻器神经形态计算优化方法。

背景技术

忆阻器在人工智能领域的发展呈现出一系列引人注目的趋势。技术的不断进步推动了忆阻器的快速发展，以提高其计算性能。通过对器件的不断创新，忆阻器的稳定性、可靠性和快速切换特性也得到了改善。在应用方面，忆阻器在神经网络加速方面表现卓越，成功加速深度学习和模式识别任务。此外，作为非易失性存储设备，忆阻器不仅改善了人工智能系统的运算速度，还优化了数据存储的效率。这些成果标志着忆阻器在人工智能领域发挥着关键的作用，为系统性能和功能提供了显著的提升。

然而，尽管忆阻器技术在人工智能领域取得了显著进展，仍然面临一系列挑战和问题。其中，高功耗和计算精度一直是技术发展的重要难题。因此，当前的研究着重于降低系统功耗和提高计算结果精度等方向。同时，如何有效地扩展忆阻器阵列规模成为研究的另一个重要议题，以满足日益复杂化的人工智能任务需求。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于变分量子电路的忆阻器神经形态计算优化方法，解决了现有技术中的问题。

本发明的目的可以通过以下技术方案实现：

一种基于变分量子电路的忆阻器神经形态计算优化方法，包括以下步骤：

收集分类好的图像数据；

对图像数据进行预处理；

基于Alexnet模型，将Alexnet模型的最后两层全连接层换成量子变分模块，并在量子电路的前后各添加一个忆阻器全连接层，得到量子经典混合模型；

将Alexnet的权重参数导入量子经典混合模型，处理好的图像数据导入量子经典混合模型进行训练，提取得到前、后忆阻器全连接层的权重参数、偏置参数以及输入信号；

将提取权重参数、偏置参数以及输入信号映射到忆阻器阵列之中，用忆阻器阵列进对神经网络进行推理，得到最终结果。

进一步地，图像数据预处理的步骤为：改变输入图像尺寸为256×256，再将图像随机裁剪为224×224大小的图像，然后将裁剪后的图像转换为Tensor，最后将图像进行归一化处理。

进一步地，前忆阻器阵列大小为9216×4，后忆阻器阵列的大小为4×2。

进一步地，所述变分量子电路包含编码层、纠缠层和解码层；采用基于角度编码的量子-经典参数映射方案，将经典参数转换为量子参数，再将量子参数转化为经典参数作为输出。

进一步地，在编码层中，将预训练的经典卷积神经网络的权重与偏置参数转化为量子参数；

对于经典权重参数矩阵W

然后使用R

对于偏置参数，设经典偏置参数向量为b

在与之对应的量子比特上施加一个R

进一步地，纠缠层中包括单量子位门RY和双量子位门CNOT门，CNOT门使量子比特纠缠；深度为q的变分量子电路是多个量子层的串联，对应于多个由不同权值参数化的单位的乘积：

式中，L代表量子变分电路中的层，L1∪L2∪…∪L

进一步地，所述解码层用于使用测量层将量子状态解码成经典状态，使用泡利z算子测量期望值并产生经典状态向量。

进一步地，执行神经网络推理任务时，将提取得到的输入信号转化为电压信号，应用于忆阻器阵列。

一种基于变分量子电路的忆阻器神经形态计算优化系统，包括：

数据收集单元；收集分类好的图像数据；

数据处理单元：对图像数据进行预处理；

模型改进单元：基于Alexnet模型，将Alexnet模型的最后两层全连接层换成量子变分模块，并在量子电路的前后各添加一个忆阻器全连接层，得到量子经典混合模型；

模型训练单元：将Alexnet的权重参数导入量子经典混合模型，处理好的图像数据导入量子经典混合模型进行训练，提取得到前、后忆阻器全连接层的权重参数、偏置参数以及输入信号；

以及，模型推理单元：将提取权重参数、偏置参数以及输入信号映射到忆阻器阵列之中，用忆阻器阵列进对神经网络进行推理，得到最终结果。

一种肺炎检测设备，其中包括有上述基于变分量子电路的忆阻器神经形态计算优化系统。

本发明的有益效果：

1、本发明引入量子层它能够显著提升系统的规模扩展性。量子计算的并行性和复杂性处理能力为网络的规模提供了更大的灵活性，更好地适应处理复杂数据的需求；同时，量子计算的精度和并行性也有助于提高整体精度，从而解决了现有技术中精度不足的问题。

2、本发明将部分数据使用量子电路进行处理，有助于降低系统的功耗。忆阻器阵列作为一种高效的存储和调整权重的方式，能够在处理复杂数据模式时维持高效运算速度；这一配置不仅提高了计算效率，还降低了能耗，为未来的智能计算设备提供了新的可能性。

3、本发明引入量子电路层，既优化了忆阻器神经形态计算的性能，又赋予了网络更大的灵活性；这使得本发明的模型不仅可以更好地适应不同的任务和数据模式，而且可以与其他经典或量子网络进行灵活连接，为整个计算框架的扩展性提供了更多可能性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的计算优化方法流程图；

图2是本发明的量子神经网络和忆阻器协同优化结构图；

图3是本发明的前输入层忆阻器阵列的电导分布图；

图4是本发明的后输出层忆阻器阵列的电导分布图；

图5是本发明肺炎数据集的验证集准确率显示图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1和图2所示，一种基于变分量子电路的忆阻器神经形态计算优化方法，包括以下步骤：

S1，收集数据集；

收集分类好的图像数据集，比如肺炎图像数据集。

S2，数据集预处理：

首先，对输入的图片做预处理。改变输入图像尺寸为256×256，再将图像随机裁剪为224×224大小的图像,然后将裁剪后的图像转换为Tensor，最后将图像进行归一化处理。

S3，模型改进：

基于Alexnet模型，对此模型进行改进，来得到量子经典混合模型；具体步骤为：

将Alexnet模型的最后两层全连接层换成量子变分模块，并在量子电路的前后各添加一个忆阻器全连接层，为了匹配量子变分电路的4量子比特，前忆阻器阵列大小为9216×4，后忆阻器阵列的大小为4×2。

变分量子电路是该模型的核心组成部分，包含编码层、纠缠层和解码层。其算法核心在于将预训练的经典卷积神经网络的权重与偏置参数转化为量子参数，以初始化量子卷积神经网络，该过程称为量子变分电路的编码。采用基于角度编码的量子-经典参数映射方案，将经典参数转换为量子参数，再将量子参数转化为经典参数作为输出。

在编码层中，将预训练的经典卷积神经网络的权重与偏置参数转化为量子参数；

其中，对于经典权重参数矩阵W

然后使用R

通过这种方式，可以将经典权重参数矩阵映射到量子比特上。

对于偏置参数，设经典偏置参数向量为b

在与之对应的量子比特上施加一个R

纠缠层中包括单量子位门RY和双量子位门CNOT门，用于训练网络。CNOT门使量子比特纠缠，并且它具有控制参数θ，其有助于训练的过程，并且还通过提供并行计算来提高模型的速度。深度为q的变分量子电路是多个量子层的串联，对应于多个由不同权值参数化的单位的乘积：

式中，L代表量子变分电路中的层，L1∪L2∪…∪L

解码层用于使用测量层将量子状态解码成经典状态，其中使用泡利z算子测量期望值并产生经典状态向量。

式中，|X>→Y表示将X量子态解码成经典态Y，

S4，参数提取；

将Alexnet的权重参数导入量子经典混合模型，再将S2处理好的数据集导入S3量子经典混合模型进行训练，提取得到前后全连接层的参数(权重参数、偏置参数以及输入信号)进行提取，作为忆阻器的映射参数。

S5，用忆阻器阵列进对神经网络进行推理，得到最终结果：

进行推理之前需要将S4提取的参数映射到忆阻器阵列之中，转化为电压信号之后进行推理。具体步骤如下：

忆阻器阵列通过模拟神经突触的功能，用可变的电阻特性模拟神经网络中的权重。每个单元模拟一个神经突触，存储一个权重值，通过学习算法动态调整，模仿生物神经系统的学习和记忆过程，具体细节如下：

执行神经网络推理任务时，将S4提取得到的输入信号转化为电压信号，应用于忆阻器阵列。根据欧姆定律(I＝GV)，每个忆阻器的电导G(即电阻的倒数)将电压信号转换为电流信号，这个过程模拟了神经突触对信号的处理。在这个过程中，每个忆阻器的电阻值代表了神经网络中的权重。因此，通过调整忆阻器的电阻值，可以实现对神经网络的训练和学习。具体到量子神经网络，忆阻器阵列的运用带来了显著的优势。首先，量子神经网络能够处理更复杂的数据模式，但同时也需要更高效的权重调整机制。忆阻器阵列提供了一种高效和紧凑的方式来存储和调整这些权重。这一点在处理如肺炎检测这类复杂的医学图像识别任务时尤为重要，因为这些任务通常需要高度复杂的模型来捕捉细微的特征。在忆阻器阵列进行神经网络推理的具体过程中，其工作原理可以通过结合基尔霍夫定律和欧姆定律进行描述：

假设忆阻器阵列中的每个忆阻器代表一个权重W

在忆阻器阵列和量子神经网络协同工作的框架下，忆阻器阵列不仅作为前输入层处理初步信号(阵列电导分布见图3)，还可以在网络的后端参与对输出信号的进一步处理(后输出层阵列的电导分布见图4)。这种配置允许网络在处理高维度和复杂数据时，如在肺炎检测的应用中，维持高效的运算速度和准确性。图5展示了应用肺炎数据集的二分类准确率结果，其准确率可以达到94％，实验结果有力地证明了该框架在解决实际问题上的巨大潜力。这不仅是对模型性能的可靠验证，也是对其在应对复杂现实场景中的可行性的有力支持。这一成功的尝试为框架在医学领域和其他实际应用中的广泛应用提供了有力的理论基础。

综上所述，忆阻器阵列与变分量子电路的协同应用提供了一种高效的方法来提供计算性能，使得网络能够更好地处理复杂的数据模式，如医学图像识别任务。这种协同优化的系统不仅提高了计算效率，也降低了能耗，为未来的智能计算设备提供了新的可能性。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。