[论文解读] Autonomous Quantum Perceptron Neural Network

Alaa Sagheer, Mohammed Zidan|arXiv (Cornell University)|Dec 15, 2013

Quantum Computing Algorithms and Architecture参考文献 10被引用 18

一句话总结

本文提出一种自主量子感知机神经网络（AQPNN），通过单个量子神经元动态生成自适应激活算符，使线性不可分问题（如XOR）仅需一次迭代即可实现高效、低成本的学习。该方法在极少量训练数据下实现97.73%的高准确率，且在计算效率和泛化能力方面优于先前的量子感知机模型。

ABSTRACT

Recently, with the rapid development of technology, there are a lot of applications require to achieve low-cost learning. However the computational power of classical artificial neural networks, they are not capable to provide low-cost learning. In contrast, quantum neural networks may be representing a good computational alternate to classical neural network approaches, based on the computational power of quantum bit (qubit) over the classical bit. In this paper we present a new computational approach to the quantum perceptron neural network can achieve learning in low-cost computation. The proposed approach has only one neuron can construct self-adaptive activation operators capable to accomplish the learning process in a limited number of iterations and, thereby, reduce the overall computational cost. The proposed approach is capable to construct its own set of activation operators to be applied widely in both quantum and classical applications to overcome the linearity limitation of classical perceptron. The computational power of the proposed approach is illustrated via solving variety of problems where promising and comparable results are given.

研究动机与目标

• 通过使用量子计算实现非线性分类，克服经典感知机的线性局限性。
• 与周和西奥莫的量子感知机模型相比，降低计算成本和训练时间。
• 开发一种自适应机制，自主生成激活算符，避免人工选择，提升学习自主性。
• 在保持经典与量子应用中高准确率的前提下，使用最少的训练数据实现良好泛化能力。
• 在XOR函数和两组重叠分类任务等复杂问题上展示模型能力。

提出的方法

• AQPNN使用一个具有n量子比特输入和相应权重算符的单个量子神经元，通过叠加态计算加权和量子态。
• 采用一种新颖的学习规则，基于误差反馈和学习率γ更新权重算符，实现动态自适应。
• 激活算符通过依赖初始权重和训练数据的自适应机制自主生成，避免人工选择。
• 网络利用酉变换和概率振幅调控表示与处理量子态，实现非线性决策边界。
• 模型在处理前对量子比特进行归一化，将经典实值输入转换为量子态。
• 学习过程为监督式，迭代优化直至收敛，结果在经典与量子问题上均进行评估。

实验结果

研究问题

• RQ1 单神经元量子感知机能否在无需人工调参的情况下自主生成有效的激活算符？
• RQ2 AQPNN能否在极少量训练数据和迭代次数下解决XOR和两组重叠分类等非线性可分问题？
• RQ3 与周和西奥莫等人的现有量子感知机模型相比，AQPNN在计算效率和准确率方面表现如何？
• RQ4 初始权重算符对AQPNN的收敛性和性能有何影响？
• RQ5 在仅使用少量训练样本的情况下，AQPNN在未见数据上的泛化能力达到何种程度？

主要发现

• AQPNN仅使用15个训练样本和一次学习迭代，即在两组重叠类别问题上实现97.73%的分类准确率。
• 该模型在单次迭代内成功解决XOR函数，证明其能够克服经典感知机的线性限制。
• 对于量子门问题（如Not门和Hadamard门），AQPNN仅需一个训练输入，显著降低数据与计算需求。
• 与周的量子感知机相比，AQPNN在计算效率上表现更优，仅需一次迭代，而后者需16次迭代完成相同任务。
• 激活算符的自主生成降低了对人工参数选择的依赖，提升了学习自主性与鲁棒性。
• AQPNN展现出强大的泛化能力，在仅使用少量训练数据的情况下，对包含176个样本的大规模测试集仍保持高性能。