量子神经网络及其应用

量子计算与人工神经网络相结合的量子神经网络(Quantum Neural Networks,QNN)有可能成为未来信息处理的重要手段。分析了人工神经网络向QNN演变的动因及形式、QNN的优势及可能的物理实现方法。着重讨论了几种QNN模型的结构、学习方法及特性,并阐述了QNN在模式识别、纠缠计算、函数近似等方面的初步应用。     

基于相干态光场的连续变量测量设备无关Cluster态量子通信

由于量子通信协议理论上可以发现任何窃听者的攻击行为,因此其天然具有抗量子计算机攻击的能力。高斯相干态光场相较于纠缠态光场更容易制备和实现,利用其实现量子通信网络更具经济价值和实用价值。该文提出一种利用连续变量(CV)相干态光场就可以实现的测量设备无关(MDI)Cluster态量子通信网络协议。在此网络上可以方便地执行量子秘密共享(QSS)协议和量子会议(QC)协议。该文提出了线型Cluster态实现任意部分用户间QSS协议、星型Cluster态四用户QSS协议和QC协议,并利用纠缠模型分析了选用对称和非对称网络结构时,每种协议密钥率和传输距离之间的变化关系。结论为在量子网络中利用相干态实现QSS和QC协议提供了理论依据。     

优化连续变量量子隐形传态的保真度

利用双模压缩真空态作为纠缠通道传送相干态的保真度已有结论，研究了明亮双模压缩态作为纠缠通道时连续变量的量子隐形传态，适当选取有关参数，可较大地提高量子隐形传态的保真度，并在特殊情况下实现相干态的保真度为1的不失真量子隐形传态。     

面向城域接入的连续变量量子密钥分发技术

相干态连续变量量子密钥分发技术是量子保密通信的重要手段,其通过制备、传输和测量高斯调制或离散调制的相干态来实现具有理论无条件安全性的密钥提取,具有与经典光通信产业兼容性高、中短传输距离下安全码率高、可支持点对多点密钥分发等优势,适合在城域和接入网中大规模部署。调研综述了连续变量量子密钥分发技术的协议、安全性理论、系统化与网络化发展现状,针对城域网和接入网应用场景下的连续变量量子密钥分发关键技术进行了梳理,并对连续变量量子密钥分发技术未来发展趋势进行了展望。     

用递归量子神经网络实现通信信号的识别与恢复

本文提出用递归量子神经网络(RQNN)在连续变量相干光通信系统中识别信号过滤未知噪声,其优点是不需要对信号和噪声有先验知识。为验证RQNN的作用,本文构建了偏振编码的连续变量相干光通信系统,接收端信号通过RQNN滤波后,相比未经降噪的信号误码率明显降低,增大了信道容量,表明了该方案是行之有效的。     

利用线性光学器件实现三体纠缠相干态的纠缠交换

利用一个两体最大纠缠相干态作为量子通道,通过线性光学器件实现了连续变量纠缠态的纠缠交换方案。我们采用分束器和相移器这两种线性光学器件,借助量子隐形传态的思想,实现了三体纠缠相干态的纠缠交换,这一纠缠交换只有一种测量过程是失败的,但几率很小。详细的分析显示,当光场平均光子数大于2,成功纠缠交换任意三体纠缠相干态的概率和总平均最小保真度接近1。     

可光纤集成的相干态量子身份认证系统

报道了可光纤集成相干态量子身份认证实验系统。该系统采用偏振相干态的斯托克斯矢量作为量子信号载体,采用动态偏振控制器作为信号调制器,利用固有的相干态量子噪声保证系统的安全性。自行设计了脉冲激光驱动电路、微弱窄脉冲激光探测电路、信号同步模块,采用Socket网络通信程序在TCP/IP局域网中实现了量子保密通信所需要的经典通信。该相干态量子身份认证系统采用的运行密钥为12位,每个光脉冲包含40000个光子,传输速率达到8kbit/s,合法用户间误码率(BER)小于10-4。每传输一个比特信息,攻击者所能窃取的信息量I(Alice,Eve)<10-14bit。     

量子相干优化量子电池的充电性能

探索如何利用量子相干实现量子电池(quantum battery, QB)性能优化是有趣的实际问题。本文构建了一多能级量子系统在相干辅助库下充电的QB模型。基于碰撞模型框架,推导了弱相互作用下QB演化的量子主方程(quantum master equation, QME),并借助Ket-Bra纠缠态方法求得QME的解。结合数值模拟,分析了辅助库中量子相干(相干强度和相干相位)对QB最大可提取功的影响;揭示了在一定条件下量子相干可扮演QB“燃料”的角色——有效提升QB的充电性能。     

阻尼相干态与波包量子干涉

本文参照相干态定义和含阻尼及无规力万方程定义了阻尼相干态，并应用于计算波包间的量子干涉。在一般情况下，对于一个含阻尼的系统，波包间产生的干涉条纺将很快消失而很难观察到，但当真空场被压缩时，就清楚地显示出波包间的量子干涉效应。     

阻尼相干态与波包量子干涉

本文参照相干态定义和合阻尼及无规力的朗之万方程定义了阻尼相干态，并应用于计算波包间的量子干涉。在一般情况下，对于一个合阻尼的系统，波包间产生的于涉条纹将很快消失而很难观察到，但当真空场被压缩时，就清楚地显示出波包间的量子干涉效应。     

量子神经网络及其在CDMA多用户检测中的应用

量子计算与人工神经网络相结合的量子神经网络(QNN-Quantum Neural Networks)由于利用了量子并行计 算和量子纠缠等特性从而克服了传统人工神经网络的某些固有缺陷,将成为未来信息处理的重要手段。介绍了与量子神经 网络相关的量子计算基础,描述了一种量子神经元模型,分析证明了单个量子神经元具有与两层前向神经网络相当的非线 性映射能力。提出了一种基于量子神经元与量子寄存器的多用户检测方案,计算机仿真结果表明:本文所提出的检测器在 误码率和抗“远近”效应方面均具有良好的性能。     

光电雷达电子部件的量子神经网络故障诊断算法

针对电路故障诊断时,故障模式之间存在交叉数据的模式识别问题,将多层激励函数的量子神经网络引入多传感器信息融合之中,提出一种基于量子神经网络的多传感器信息融合集成电路故障诊断算法.并将其应用到光电雷达电子设备故障诊断中,通过测试电子电路中被诊断元件的工作温度和工作电压两个物理量,求出两传感器对各待诊断元件的故障隶属度,利用多层激励函数的量子神经网络进行信息融合,得到融合的各待诊断元件的故障隶属度,从而确定故障元件,提高故障诊断的准确率.     

量子神经元特性研究

量子神经计算是传统神经计算自然演化发展的产物，它有可能成为新的信息处理技术。本文介绍了与量关的量子计算基础，描述了一种量子神经元模型，提出了一种量子学习算法，通过理论推导和仿真证明了算法的收敛性并给出了几种收敛特性曲线.应用量子计算方法分析了该量子神经元模型的量子逻辑运算功能,分析和实验证明了单个量子神经元能实现经典神经元无法实现的XOR函数,并具有与两层前向神经网络相当的非线性映射能力.     

基于量子BP网络的图像压缩技术研究

量子神经网络是一门崭新的学科,是量子理论和人工神经网络结合的产物。它融合了量子计算与神经网络的优点,具有很高的理论价值和应用潜力。本文基于具有量子输入和量子输出的量子神经元模型,利用BP网络用于图像压缩的原理,同时借助复数BP算法提出了QBP算法,构建一种用于图像压缩的3层QBP网络模型,实现了图像压缩与图像重建。仿真结果表明,在与BP网络压缩比相同的情况下,QBP网络不仅获取较好的重建图像质量,而且在最佳学习速率下迭代次数比BP网络少。     

平坦瑞利环境下多用户检测的量子神经网络方法

提出采用量子神经网络(QNN)方法在平坦瑞利环境下进行多用户检测的方法。量子神经网络是量子计算与人工神经网络(ANN)相结合的产物,由于利用量子并行计算和量子纠缠等特性从而克服了传统人工神经网络的固有缺点。研究结果表明:该算法具有较强的鲁棒性;能有效地抑制噪声干扰,克服远近效应,在平坦瑞利衰减下具有较好地误码性能。     

用基本两位量子逻辑门实现N位量子逻辑门的研究

量子电路是实现量子态幺正演化的手段,一位和两位门是构成量子电路的基础。Barenco 用基本的两位量子逻辑门实现n位量子逻辑门功能,张登玉在Barenco的工作基础上对用基本的两位量子逻辑门实现n位量子逻辑门功能进行了改进。通过对Barenco方案和张登玉方案的分析和研究,提出了一个用基本的两位量子逻辑门实现n位量子逻辑门功能的新方案,该方案结构更简单,且所用的两位门更易于实现,同时指出和改正了张文的不太准确的结论。     

Recognition of Continuous Digits by Quantum Neural Networks

1　ＩｎｔｒｏｄｕｃｔｉｏｎＱｕａｎｔｕｍＮｅｕｒａｌＮｅｔｗｏｒｋ (ＱＮＮ )ｉｓａｂｕｒ ｇｅｏｎｉｎｇｎｅｗｆｉｅｌｄｗｈｉｃｈｉｎｔｅｇｒａｔｅｓｃｌａｓｓｉｃａｌｎｅｕｒｏ ｃｏｍｐｕｔｉｎｇｗｉｔｈｑｕａｎｔｕｍｃｏｍｐｕｔｉｎｇ[1～2 ] .ＴｈｅｆｉｅｌｄｏｆｃｌａｓｓｉｃａｌａｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ (ＮＮ)ｃａｎｂｅｇｅｎｅｒａｌｉｚｅｄｔｏｔｈｅｑｕａｎｔｕｍｄｏｍａｉｎｂｙｅｃｌｅｃｔｉｃｃｏｍ ｂｉｎａｔｉｏｎｏｆｔｈａｔｆｉｅｌｄｗｉｔｈｔｈｅｐｒｏｍｉｓｉ…     

二维量子细胞神经网络及其图像处理应用

以量子细胞自动机为神经元,以量子细胞自动机的极化率和量子相位为状态变量,提出了一种二维多层的量子细胞神经网络结构;以量子细胞自动机的极化率为像素值,通过选择不同的模板,使得量子细胞神经网络实现水平线和垂直线检测以及图像去噪等功能,仿真结果显示其在图像处理上的有效性。与传统的CNN相比,量子细胞神经网络易于超大规模实现且具有超低功耗、超高集成度等优点。     

一种量子自组织特征映射网络模型及聚类算法

提出一种量子自组织特征映射网络模型及聚类算法.量子神经元的输入和权值均为量子比特,输出为实数,量子自组织特征映射网络由输入层和竞争层组成.首先将聚类样本转换成量子态形式并提交给输入层,完成聚类样本的输入;然后计算样本量子态与相应权值量子态的相似系数,提取聚类样本所隐含的模式特征,并对其进行自组织,在竞争层将聚类结果表现出来.采用量子门更新量子权值,分无监督和有监督两个阶段完成网络的训练.仿真实验结果表明该模型及算法明显优于普通自组织特征映射网络.     

任意多入的量子博弈

量子博弈是量子信息学最近兴起的又一分支.杜江峰等在研究连续变量量子博弈中,利用了双模压缩态实现量子纠缠并产生优于经典的结果.我们在此基础上对于有任意多个参与者并且策略为连续的量子博弈做了研究.通过利用一多模光场,该光场是由各个光模之间两两互相纠缠形成的.利用这个方案上述结论可以推广至任意多个参与者.并且,随着纠缠度的增加他们的总收益也增加,当每一对双模光场达到最大纠缠时,他们的总收益亦将最大.