【论文标题】Quantum Convolutional Neural Networks for High Energy Physics Data Analysis 【作者团队】Samuel Yen-Chi Chen, Tzu-Chieh Wei, Chao Zhang, Haiwang Yu, Shinjae Yoo 【发表时间】2020/12/22 【论文链接】https://arxiv.org/pdf/2012.12177.pdf 【推荐理由】本文出自美国纽约布鲁克海文国家实验室、纽约州立大学，针对于传统CNN架构学习速度较慢，较难满足业务需要的问题，本文提出了量子卷积神经网络（QCNN），有效的提高了学习速度及准确性。

这项工作提出了一种用于高能物理事件分类的量子卷积神经网络（QCNN）。所提出的模型是使用来自“深地下微中子实验”的模拟数据集进行测试的。 所提出的架构展示了在相似数量的参数下比经典卷积神经网络（CNN）更快学习的量子优势。 与CNN相比，除了收敛速度更快外，QCNN还实现了更高的测试准确性。 基于实验结果，研究QCNN和其他量子机器学习模型在高能物理和其他科学领域中的应用是一个有前途的方向。

下图为量子卷积神经网络架构，在提出的混合量子经典模型中，滤波器或核是变分量子电路。 可以选择在卷积层之间添加经典池化和非线性激活函数，类似于经典CNN。

图1 量子CNN架构

内容中包含的图片若涉及版权问题，请及时与我们联系删除