[特殊字符]量子神经网络+X，论文轻松发顶刊！

最新推荐文章于 2025-07-18 21:07:39 发布

AI_enabled

最新推荐文章于 2025-07-18 21:07:39 发布

阅读量658

点赞数 26

CC 4.0 BY-SA版权

文章标签：神经网络人工智能深度学习 qnn

本文链接：https://blog.youkuaiyun.com/AI_enabled/article/details/146503101

量子神经网络（QNN）在电力系统、计算机视觉和超参数优化领域展现出显著潜力。研究者提出混合量子-经典神经网络（QCNN）优化电力潮流计算，提高泛化能力；超叠加增强 QNN（SEQNN）通过量子态叠加优化多类别图像分类，提升分类精度；数据驱动的 QNN 超参数优化采用 Hyperband 方法，在小样本学习任务中提升泛化性能。未来，QNN 在量子计算扩展性、跨领域应用和混合量子-经典框架方面仍有巨大探索空间。

1、 Superposition-enhanced quantum neural network for multi-class image classification

总结：增强叠加量子神经网络在多类别图像分类中的应用

本文提出了一种基于叠加增强（Superposition-Enhanced）的量子神经网络（SEQNN），用于提升多类别图像分类的性能。传统的量子神经网络（QNN）在多分类任务中面临线性演化限制，而 SEQNN 通过量子叠加（Superposition）和一对多（One-vs-All, OVA）策略相结合，有效缓解了这一问题。此外，该方法采用角度叠加（Angle Superposition, AS）和量子态叠加（Quantum State Superposition, QSS）两种策略来解决数据不平衡问题，增强模型泛化能力。在 MNIST 和 Fashion-MNIST 数据集上的实验结果表明，SEQNN 的分类准确率分别达到了 87.56% 和 69.32%，在多个基准模型上取得了竞争性表现。

主要目的：

优化量子神经网络在多类别图像分类任务中的表现，解决传统 QNN 在多分类任务中的非线性建模能力不足问题。
通过叠加策略缓解数据类别不均衡问题，提升少样本类别的分类精度，提高整体泛化能力。
降低训练成本，利用 OVA 和叠加增强策略减少训练时间，同时提高分类性能。

主要方法：

量子态叠加（QSS）和角度叠加（AS）
- QSS 直接在量子态空间中叠加数据点，提高数据的可分性；
- AS 通过调整角度编码，使得数据点在 Hilbert 空间中的分布更加均匀，减少类别间的不均衡影响。
跨模态量子神经网络（Cross-Modality Quantum Neural Network, CMQNN）
- 采用 OVA 策略，将多类别任务转化为多个二分类任务，并利用叠加增强来优化数据平衡性。
- 结合量子测量优化机制，提高模型对小样本类别的适应性。
参数化量子电路（Parameterized Quantum Circuit, PQC）优化
- 设计高效的变分量子电路，提高量子模型的表达能力，并减少计算复杂度。
- 采用梯度优化策略，在优化过程中动态调整超参数，提高训练稳定性。

结果：

在 MNIST 数据集上，SEQNN 的准确率达到 87.56%，Fashion-MNIST 数据集上的准确率为 69.32%，均超越了多个现有量子分类模型。
相比传统 QNN 模型，SEQNN 在数据类别不均衡任务上的表现提升了 4.7%-6.1%，显著降低了少样本类别的误判率。
在消融实验中，叠加策略和 OVA 结合能够有效提升模型的泛化能力，其中 AS 贡献了 2.5% 的性能提升。

创新性：

提出了一种全新的量子神经网络架构 SEQNN，结合叠加增强和 OVA 以优化多类别分类任务的表现。
引入量子叠加（Superposition）策略，有效缓解数据类别不均衡问题，提高模型的适应性。
优化参数化量子电路（PQC）结构，提升量子神经网络的可扩展性和计算效率。
在量子计算环境下实现高效的知识蒸馏，为未来的量子机器学习提供了新思路。

未来研究方向：

探索 SEQNN 在更复杂数据集（如 CIFAR-10、ImageNet）上的适用性，进一步提升模型的泛化能力。
优化量子电路深度，减少计算复杂度，使其适用于 NISQ（Noisy Intermediate-Scale Quantum）设备。
结合自监督学习和对比学习，提升量子模型的自适应能力，减少对大量标注数据的依赖。
探索 SEQNN 在其他领域的应用，如医疗影像分析、自动驾驶感知、遥感目标检测等。

全文链接：

📄 Superposition-Enhanced Quantum Neural Network for Multi-Class Image Classification
🔗 完整链接： https://doi.org/10.1016/j.cjph.2024.03.026

2、AQUA: Analytics-driven quantum neural network (QNN) user assistance for software validation

总结：AQUA——基于分析驱动的量子神经网络（QNN）软件验证

本文提出了一种分析驱动的量子神经网络（QNN）用户辅助软件验证方法（AQUA），用于优化 QNN 软件开发和验证。在量子计算（Quantum Computing）逐渐成为深度学习关键技术的背景下，QNN 被广泛应用于目标检测、分类、模式识别等任务。然而，QNN 训练过程中存在局部极小值（barren plateaus）问题，使得优化变得困难。AQUA 通过梯度方差分析，检测 QNN 是否处于局部极小值，并提供实时反馈机制以优化训练过程。实验表明，AQUA 能有效提高 QNN 的稳定性、可行性和可解释性，并已在自动驾驶点云处理任务中进行测试。

主要目的：

提升 QNN 训练的稳定性，避免局部极小值问题，提高优化效率。
实现 QNN 训练过程的实时监测，通过动态软件分析优化 QNN 结构。
降低 QNN 开发门槛，使非量子计算专家也能高效开发 QNN 应用。

主要方法：

梯度方差检测（Gradient Variance Analysis）
- 通过量子梯度分析，检测 QNN 是否进入局部极小值状态。
- 采用动态调整机制，优化 QNN 结构参数，减少训练不稳定性。
QNN 组件优化
- 设计状态编码（State Encoder），确保经典数据正确转换为量子数据。
- 采用参数化量子电路（PQC），优化量子门数量，提高训练可行性。
- 通过测量优化（Measurement Optimization），减少计算资源浪费。
AQUA 反馈机制
- 在 DNN 结构、计算资源、统计测量、系统资源等四个维度进行优化。
- 结合用户交互式反馈系统，实现实时调整，提高 QNN 软件的可解释性。

结果：

AQUA 在 QNN 软件验证中的稳定性提升 22%，减少局部极小值问题导致的优化失败。
在自动驾驶点云目标检测任务中，AQUA 使 QNN 训练时间缩短 35%，提高计算效率。
相比于 Qiskit、PennyLane 等工具，AQUA 具备更强的可解释性，降低量子软件开发难度。

创新性：

首次提出基于梯度方差分析的 QNN 训练优化方法，解决局部极小值问题。
采用实时动态反馈机制，提高 QNN 训练的稳定性，优化量子模型架构。
结合 DNN 视角、计算资源管理、测量优化等多维度方法，提升 QNN 训练效率。

未来研究方向：

扩展至更大规模 QNN 任务，如量子计算机视觉、自然语言处理等领域。
结合 Transformer 结构，优化 QNN 的特征表达能力，提高泛化性能。
研究 QNN 在低资源设备（如边缘计算）的适应性，优化计算资源管理。
探索自监督学习方法，减少 QNN 训练对大规模标注数据的依赖。

全文链接：

📄 AQUA: Analytics-driven Quantum Neural Network (QNN) User Assistance for Software Validation
🔗 完整链接： https://doi.org/10.1016/j.future.2024.05.047

3、A transfer learning-based intrusion detection system for zero-day attack in communication-based train control system

总结：量子神经网络在网络异常检测中的应用

本文提出了一种基于量子神经网络（QNN）的网络入侵检测系统（NIDS），旨在利用量子计算的优势提升入侵检测的准确性，同时优化量子计算机在噪声中尺度（NISQ）环境下的性能。当前，传统的入侵检测系统面临攻击模式复杂化和计算资源瓶颈等挑战，而量子机器学习（QML）为此提供了一种新兴的解决方案。本文利用超精简量子电路（ultra-lean circuit），避免因量子硬件噪声导致的计算错误，并设计了一种新的确定性因子（certainty factor），用于量化分类器的预测置信度。实验表明，该方法在 IonQ 的 Aria-1 量子计算机上，基于 NF-UNSW-NB15 数据集，F1-score 达到了 0.86，超过了现有量子分类器的最佳性能。

主要目的：

提升网络入侵检测系统（NIDS）的分类精度，利用量子计算的并行计算能力优化入侵检测模型。
优化量子计算在噪声环境下的鲁棒性，通过精简量子电路设计，减少硬件噪声对检测性能的影响。
引入新的量子分类器性能评估指标，通过“确定性因子”量化量子神经网络预测的不确定性。

主要方法：

超精简量子神经网络（Ultra-Lean QNN）架构
- 设计了一种6层 QNN 模型，使用最少的量子比特旋转门（Rotation Gates），减少噪声影响。
- 采用单量子比特旋转（Single Qubit Rotation）进行特征编码，每个特征映射到 Bloch 球坐标，提高计算稳定性。
噪声优化与量子编码策略
- 采用基于量子态旋转（Qubit Rotation Encoding）的数据预处理方法，将经典网络数据转换为量子数据，提高编码效率。
- 通过 MMD（最大均值差异）优化策略进行跨层对齐，减少噪声对分类器的影响。
确定性因子（Certainty Factor）
- 设计新的量子分类评估指标 C = |α0|² - |α1|²，用于衡量量子分类器对预测结果的置信度。
- 通过分析 F1-score 在不同噪声环境下的变化，优化量子神经网络的学习过程。

结果：

在 NF-UNSW-NB15 数据集上的 F1-score 提升至 0.86，较现有量子分类器提高了 2.6%。
在 IonQ Aria-1 量子计算机上成功部署，实现了最优的量子计算入侵检测效果。
相比于传统的 CNN 和 SVM 模型，QNN 方法在复杂攻击模式识别上具有更高的泛化能力。
消融实验表明，确定性因子（Certainty Factor）在优化量子分类器性能中起到了关键作用。

创新性：

首次在物理量子计算机上实现高性能 QNN 网络异常检测，突破了以往研究仅限于模拟环境的局限性。
提出超精简 QNN 设计（Ultra-Lean QNN），减少量子计算开销，同时提高模型泛化能力。
创新性地引入 Certainty Factor 作为量子分类置信度评估指标，优化量子神经网络的决策过程。
结合 MMD（最大均值差异）方法进行量子特征对齐，优化量子神经网络的跨模态学习能力。

未来研究方向：

探索更复杂的量子优化策略，例如变分量子算法（VQA）以提高 QNN 在大规模入侵检测任务中的适应性。
研究 QNN 在其他网络安全任务中的应用，如恶意流量检测（Malware Traffic Analysis）和零信任安全系统（Zero-Trust Security）。
优化 QNN 计算效率，研究基于光量子计算（Photonic Quantum Computing）和超导量子计算（Superconducting Quantum Computing）的 NIDS 方案。
结合强化学习（RL），优化量子神经网络的训练过程，提高 QNN 在动态网络环境中的适应性。

全文链接：

📄 Network Anomaly Detection Using Quantum Neural Networks on Noisy Quantum Computers
🔗 完整链接： https://ieeexplore.ieee.org/document/3507717

4、AQUA: Analytics-driven quantum neural network (QNN) user assistance for software validation

量子神经网络在电力潮流分析中的应用

本文提出了一种基于量子神经网络（QNN）的电力潮流分析方法，旨在利用量子计算的优势优化电力系统的负载流计算。传统的数值迭代方法在大规模电网中计算量庞大，且在某些情况下收敛性较差，而基于深度学习的潮流分析虽然能够处理复杂的非线性关系，但对数据依赖性较强。本文研究了纯量子神经网络（QNN）、量子-经典混合神经网络（QCNN） 和传统神经网络（NN）在潮流分析中的表现，并在4-bus 和 33-bus 测试系统上进行了实验验证。研究结果表明，混合 QNN 方法在泛化能力、鲁棒性和计算效率方面优于经典神经网络，并在噪声中等的近中期量子计算（NISQ）环境下具有较好的适用性。

主要目的：

优化电力潮流分析的计算效率，减少对传统迭代方法（如牛顿-拉夫逊法）的依赖，提高电网大规模计算的可扩展性。
利用量子计算的并行计算能力，降低训练数据需求，并提高在噪声环境下的稳定性。
探索量子-经典混合神经网络（QCNN） 在潮流分析中的可行性，结合量子计算的高维特征映射能力和经典深度学习的训练优势。

主要方法：

量子神经网络（QNN）架构设计
- 采用 参数化量子电路（PQC） 作为核心计算单元，在 Bloch 球面上执行量子态旋转，以增强非线性特征学习能力。
- 使用 变分量子算法（VQA） 进行训练，通过梯度下降优化量子门参数，提高潮流计算精度。
量子-经典混合神经网络（QCNN）
- 在经典神经网络（NN）结构中引入量子计算单元，用于学习潮流数据的全局特征，同时保持神经网络的计算稳定性。
- 通过 量子态映射和测量 机制，使潮流分析更具可解释性，并减少过拟合风险。
潮流数据的量子态编码
- 采用 振幅编码（Amplitude Encoding） 和 相位编码（Phase Encoding） 方法，将电网的电压相角、功率注入等变量转换为量子态，提升计算效率。
- 设计 最大均值差异（MMD）损失函数，优化跨分布特征匹配，提高模型的泛化能力。

实验结果：

在 4-bus 测试系统中，QNN 的泛化能力比 NN 提高 41%，QCNN 提高 52%，表明量子计算有助于潮流分析的稳定性。
QCNN 的训练数据需求比 NN 低 4 倍，在仅 128 个训练样本的情况下，QCNN 仍能保持较好的预测精度。
在 33-bus 测试系统中，QCNN 在极端工况（如过压或欠压）下的均方误差（MSE）为 0.011 pu，而 NN 为 0.032 pu，表明量子增强方法在复杂电力系统中的适用性更强。
量子计算在低噪声水平下（NISQ 计算环境）表现出优越的计算稳定性，在硬件噪声模拟实验中，QNN 的计算误差比 NN 低 25%。

创新性：

首次将量子神经网络应用于潮流分析，探索其在现代电网计算中的潜力。
提出基于量子-经典混合架构（QCNN）的潮流分析方法，结合经典深度学习的计算能力和量子计算的高维特征映射能力。
开发基于量子态映射的潮流计算框架，相比于传统方法，该方法可提高潮流预测的计算效率和鲁棒性。
优化量子计算的梯度计算方法，结合 参数移位规则（Parameter Shift Rule），提高量子神经网络的训练效率。

未来研究方向：

探索更大规模的电网潮流分析，优化 QNN 在 IEEE 118-bus 和 300-bus 系统中的适用性。
结合 Transformer 结构，改进量子-经典混合神经网络的时空建模能力，提高对潮流动态特性的捕捉能力。
优化量子计算的硬件适配，在 IBM Q 量子计算机上进行实验验证，评估 NISQ 设备的计算能力。
拓展到其他电力系统任务，如电力负荷预测、短期调度优化和电网状态估计等，提高量子计算在电力系统中的应用价值。

全文链接：

📄 Quantum Neural Networks for Power Flow Analysis
🔗 完整链接： https://doi.org/10.1016/j.epsr.2024.110677

5、Hyperparameter importance and optimization of quantum neural networks across small datasets

总结：量子神经网络超参数优化研究与应用

近年来，随着量子计算技术的发展，量子神经网络（QNN） 作为量子机器学习的核心方法之一，受到了广泛关注。然而，由于超参数配置对 QNN 性能的影响尚不明确，优化 QNN 仍面临巨大挑战。本文围绕 QNN 进行超参数优化研究，探讨关键参数对模型性能的影响，并提出基于数据驱动的优化策略，以提升 QNN 的泛化能力。

主要目的：

量化 QNN 关键超参数的重要性，分析哪些参数对模型性能影响最大，哪些参数影响较小。
探索超参数优化方法，提高 QNN 在小样本数据集上的适应性和泛化能力。
开发数据驱动的超参数调优策略，以提升 QNN 的预测准确性。

主要方法：

超参数重要性分析（Hyperparameter Importance Analysis）
- 采用 功能性方差分析（Functional ANOVA） 评估超参数对 QNN 预测性能的影响。
- 选择 学习率、深度、数据编码策略、量子门类型等关键参数，分析其对模型性能的贡献。
数据驱动的超参数优化（Data-Driven Hyperparameter Optimization）
- 在 超参数搜索过程中引入先验知识，基于历史数据学习最优超参数配置。
- 采用 核密度估计（KDE） 生成超参数分布，提高搜索效率。
高效 QNN 训练框架（Efficient QNN Training Framework）
- 利用 超参数优化算法（如 Hyperband），加速训练过程。
- 采用 混合量子-经典计算，优化计算资源分配，提高训练效率。