基于非线性搜索的量子神经计算模型研究

针对传统神经计算记忆容量有限、数据处理速度慢及易发生灾变性失忆等缺点，采用量子计算与神经计算相结合的新方法，充分发挥量子计算中量子线性叠加特性的巨大计算优势，应用存储矩阵元素基于概率分布的权值矩阵确定方法，建立多模式并存的量子神经计算模型，使得该模型的存储容量或记忆容量提高到神经元个数的2的n次方倍，较传统神经计算模型有指数级的提高；根据一组幺正操作对一个特定位进行评估，利用分类逐步确定每个量子位的巧妙方法设计非线性量子搜索算法，从而缩短模式识别或图像处理的时间，使得大容量数据搜索问题的时间复杂度比线性Grover搜索算法有较大幅度的降低；最后用人脸图像对模型及算法进行验证。本项目对模式识别和超大容量图像处理等诸多领域的研究将提供重要的理论支持并产生潜在的实用价值。