量子过程神经网络模型及算法研究

本项目是研究量子计算与过程神经网络融合机制与算法的新课题。从研究过程神经元输入、加权、时空聚合、激励、输出的量子计算实现机制入手，提出基于量子旋转门及多位受控非门线路的物理意义构造量子过程神经元模型的新思想。在该模型中，将离散化后的过程式输入信息作为受控非门的控制位，经过量子旋转门作用后控制目标量子位的状态，以目标量子位处于状态|1>的概率幅作为模型的输出。进而提出基于量子门线路的量子过程神经网络模型及算法。由于采用量子计算机制，可使模型存在多重吸引子，随着算法的迭代运行，这些吸引子会周期性地重复出现，从而可使模型显著提高收敛概率。研究模型的稳定性、连续性、鲁棒性、收敛能力、逼近能力等理论问题。设计仿真实验验证理论分析的正确性。以油田开发指标预测为例，研究基于量子过程神经网络的预测方法，检验模型和算法的有效性。本研究对于推动量子计算与神经网络的融合研究具有重要理论意义和广阔的应用前景。

本项目的研究目标是解决量子计算理论与过程神经网络的融合机制问题，探索出一套可行的量子过程神经网络的模型构造方法。研究内容主要包括：过程式样本的量子态描述方法；量子过程神经网络的模型构造方法；量子过程神经网络的算法设计、收敛性及应用。.关于量子计算与过程神经网络的融合，提出了首先将样本转换为量子态，用量子旋转门实现“加权”、用多比特受控量子门的控制作用实现“时空聚合”及非线性映射、用目标态处于状态|1> 的概率幅实现“输出”的新机制。关于过程式样本的量子态转换，提出了首先将过程式样本离散化，然后映射为[0,pi/2]的角度，再将这些角度作为量子比特相位的实现方法。关于量子过程神经网络的模型构造，提出了采用量子过程神经元作为隐层、采用传统神经元作为输出层的构造方法。其中量子过程神经元采用量子旋转门和多比特受控量子门联合构造，具体采用了多比特量子受控非门、多比特量子受控Hadamard门、多比特量子受控旋转门。通过受控量子门目标位的输出端向输入端的循环反馈，可将输入循环映射为量子过程神经元的输出。关于量子过程神经网络的算法设计，分别针对受控量子门中“1型”控制和“0型”控制，基于量子计算原理导出了模型的输入输出关系，考虑到新模型涉及的参数较多导致普通BP算法不易收敛或收敛较慢，提出了基于L-M算法的参数调整方法，同时也研究了基于量子衍生智能优化算法的训练算法。证明了新模型的收敛性。从理论分析得出了在模型的输入节点和离散样本的序列长度比较接近时，新模型的逼近能力和泛化能力明显优于传统神经网络。通过不同类型的实际问题验证了新模型的优势。上述研究成果可为开展量子过程神经网络的工程应用提供较为坚实的理论基础。.经过四年不懈的努力，我们在项目研究中取得了一批创新性成果，撰写的学术论文已在国际和国内多种期刊发表。累计发表高水平期刊论文51篇，其中SCI收录9篇，EI收录14篇。另外，已被《控制与决策》录用待发表论文2篇。培养硕士研究生2名，圆满完成了项目的既定研究目标。