量子科技中心_量科网

卷积神经网络的成功很大程度上归功于其硬编码的平移等变性特性。作为近期量子计算领域的对应方案，量子卷积神经网络（QCNN）被提出，但其平移概念取决于数据编码方式。对于FRQI等地址/振幅编码而言，像素平移表现为索引寄存器的模加运算，而许多受MERA启发的QCNN仅对物理量子位的循环置换具有等变性。该研究团队正式界定了这种不匹配现象，并构建了与编码诱导的像素循环平移（PCS）对称性精确对易的QCNN层。 核心技术成果是对所有PCS等变酉算子的构造性表征：通过量子傅里叶变换（QFT）的共轭作用实现平移对角化，因此任何PCS等变层均可表示为傅里叶模式多路复用器后接逆量子傅里叶变换（IQFT）。基于此表征，研究人员提出了一种具有测量诱导池化、延迟条件作用和层间QFT抵消机制的深度PCS-QCNN架构。同时，该工作分析了随机初始化时的可训练性，证明了在深度扩展机制下预期平方梯度范数下界保持恒定的理论结果，由此排除了该意义上的深度诱导梯度消失现象。