摘要

本文由Y. Cordero等人撰写，探讨了量子机器学习（QML）在手绘草图矢量图像分类中的应用。文章介绍了混合经典-量子架构，该架构利用量子计算的特性来处理图像数据，特别是在当前量子硬件尚未成熟的情况下，通过经典模拟量子电路来实现。论文的核心在于展示了如何将矢量化的草图作为QML模型的测试平台，并报告了初步的积极结果。这一研究为计算机视觉领域提供了一种新的计算方式，并鼓励了量子机器学习在处理抽象概念数据方面的探索。

原理

论文提出的混合经典-量子架构通过结合经典深度学习模型和量子处理模块来处理矢量化的草图图像。首先，使用长短期记忆网络（LSTM）单元对输入的矢量图像序列进行编码，生成隐藏状态序列。接着，通过一个量子处理模块，将这些隐藏状态映射到量子电路的旋转角度参数上，利用量子电路的并行性和指数级大的状态空间进行信息处理。最后，通过一个全连接神经网络层进行分类，输出草图属于各个类别的概率。这种架构的优势在于利用量子电路的潜在计算能力，同时保持了经典模型的灵活性和可解释性。

流程

1. 数据预处理：将草图图像转换为矢量格式，并标准化为统一长度。
2. 序列数据处理器：使用两个LSTM单元对矢量图像序列进行编码，生成隐藏状态。
3. 量子处理模块：将隐藏状态通过全连接神经网络映射到量子电路的旋转角度参数上。
4. 量子电路：使用硬件高效的 ansatz（HEA）量子电路布局，通过单量子比特旋转和CNOT门生成量子状态。
5. 分类器：测量量子电路输出的期望值，并通过全连接神经网络进行分类，得到最终的分类结果。

应用

该研究为量子机器学习在计算机视觉领域的应用开辟了新的方向，特别是在处理矢量化的草图图像方面。未来可能的应用包括草图识别、生成、完成和抽象等多个方面。此外，这种混合经典-量子模型也为探索量子计算在处理复杂数据结构和时间序列数据方面的潜力提供了平台。