一种通用神经计算并行模型NCPM

在对神经计算特点分析的基础上，本文提出一种通用的神经计算并行模型ＮＣＰＭ，论述了通用神经计算并行模型的定义以及神经计算并行性开发方法，并对该模型进行综合评价。     

神经计算科学的展望

神经计算科学是从信息科学的角度来研究如何加速神经网络模仿和延伸 人脑的高级精神活动,如联想,记忆,推理,思维及意识等智能行为,这涉及到脑科学,认知科学,神经生物学,非线性科学,计算机科学,数学,物理学诸学科的综合集成,它是综合研究和实现类脑智能信息系统的一个新思想和新策略,本文仅重点论述神经智能信息处理,盲信号处理技术,演化认知与进化计算,混沌信息技术及软科学的开发,由此展望神经计算科学的未来发展及潜力,可带动诸学科及信息技术的美好发展。     

量子神经元结构设计及其应用

在量子理论的框架内,解释了神经元的信息处理机制,提出了量子神经元．该神经元对信息的处理分为两阶段．第1阶段为宏观信息收集部分,产生控制量子比特;第2阶段为微观信息处理部分,根据控制量子比特,改变神经元的状态．整个过程模拟量子受控非门．采用人工和实际数据集,作为分类研究对象。对比传统的神经元网络,量子神经元网络显示出较好的分类效果．以丙烯腈反应器作为建模研究对象,该网络显示出较强的泛化能力．     

基于微分流形的神经计算

神经计算是一门崭新的信息处理学科，研究非程序的，适应性的，大脑风格的信息处理的本质和能力。它的研究对象是人工神经网络，即由大量神经元组成的非线性动力系统。本文介绍用微分流形研究神经信息处理的重要概念，讨论研究机理和方法。     

量子遗传算法研究现状

Quantum Genetic Algorithm (QGA)is the combination of quantum computation and genetic algorithm. In this paper, actuality of research on QGA is summarized. QGA and Multi-universe Parallel Quantum Genetic Algorithm (MPQGA)are discussed in detail. Application progenies in respective regions are introduced. The subsequent research on QGA is also prospected.     

基于参数化量子电路的量子卷积神经网络模型及应用

量子神经网络结合了量子计算与经典神经网络模型的各自优势, 为人工智能领域的未来发展提供了一种 全新的思路. 本文提出一种基于参数化量子电路的量子卷积神经网络模型, 能够针对欧几里得结构数据与非欧几里 得结构数据, 利用量子系统的计算优势加速经典机器学习任务. 在MNIST数据集上的数值仿真结果表明, 该模型具 有较强的学习能力和良好的泛化性能.     

面向神经计算的并行机体系结构设计

面向神经计算的并行计算机体系结构是神经网络研究中的一项重要工作。本文在对大量的神经计算进行需求分析的基础上，讨论了以高性能的微处理器作为计算单元，进行面向神经计算的并行计算机体系结构设计，并且介绍了它原型实现的结构、参数和性能     

量子神经网络

1 引言计算的实质是一个物理过程,要受到物理规律的支配。现代的计算技术建立在经典物理学基础之上,而量子计算(Quantum Computing)则是建立于量子理论的原理之上。目前,量子计算之所以获得广泛瞩目,是由于它能极大地提高计算的效率,具有沟通与大脑和意识关系的潜力,以及当计算机技术发展到纳米量级时必须考虑到量子效应等原因。     

量子机器学习综述

近年来, 机器学习一直是被关注和探讨的研究热点, 被应用到各领域并在其中起着重要作用. 但随着数据量的不断增加, 机器学习算法训练时间越来越长. 与此同时, 量子计算机表现出强大的运算能力. 因此, 有研究人员尝试用量子计算的方法解决机器学习训练时间长的问题, 量子机器学习这一领域应运而生. 量子主成分分析、量子支持向量机、量子深度学习等量子机器学习算法相继被提出, 并有实验证明了量子机器学习算法有显著的加速效果, 使得量子机器学习的研究展现出逐步走高的趋势. 对量子机器学习算法进行综述. 首先介绍量子计算基础; 然后对量子监督学习、量子无监督学习、量子半监督学习、量子强化学习以及量子深度学习5类量子机器学习算法进行介绍; 接着对量子机器学习的相关应用进行介绍并给出了算法实验; 最后进行总结和展望.     

一个面向神经计算的并行计算机系统的性能分析与测试

文中主要以一个面向神经计算的并行计算机系统ＮｅｕｒｏＣ为背景，讨论一种并行计算机性能分析模型，并对ＮｅｕｒｏＣ进行性能分析．根据实际并行神经计算模型、ＮｅｕｒｏＣ的结构和计算特点，给出了并行神经计算中一些与性能相关的结论，最后给出了一些系统实际测试结果．     

量子搜索及量子智能优化研究进展

为了提高智能优化算法的收敛速度及优化性能,目前国内外将量子计算机制和传统智能优化相融合,研究和提出了多种量子进化算法及量子群智能优化算法;为了进一步推动该领域的研究进展,系统地介绍了国内外提出的多种量子搜索及量子智能优化算法,其中包括量子搜索、量子衍生进化、量子神经网络三个方面内容;总结出目前改进量子搜索算法的主要机制和量子计算与传统智能计算的主要融合方式,并展望了量子搜索和量子智能优化有待进一步研究和需要解决的问题。     

量子计算进展与展望

评述量子计算的历史、研究现状以及进一步发展的方向.着重论述量子算法的机理,对已知量子算法特征进行总结分析;归纳量子计算与经典智能计算的结合模式,比较其与传统智能计算的异同.在总结量子计算存在问题的基础上,探讨了今后的研究方向.     

基于量子门组的卷积神经网络设计与实现

为进一步提高卷积神经网络的训练速度,减少训练成本,建立了量子门组卷积神经网络模型（Quantum Gate Convolutional Neural Network,QGCNN）。为了构建QGCNN网络结构,依据传统CNN结构的特点,给出卷积算术线路（Convolutional Arithmetic Circuit,ConvAC）的定义。用张量分解来说明ConvAC的权值系数之间的关系,为构建QGCNN提供理论依据。将QGCNN分为输入表示层、隐藏层和输出层,在此基础上实现对数据进行量子编码,利用量子门组完成数据初始化,网络参数更新等操作。将QGCNN应用到数字手写体识别中,实验结果表明,该方法在手写体识别的准确率和收敛速度上有不错的效果。     

量子图像处理问题综述

量子图像处理问题将是量子计算机时代媒体信息处理的一个主要问题。量子图像处理包括一般的处理问题和安全方面的处理问题。本文介绍和分析了量子图像表示方式和处理等问题的最新研究成果。首先给出了目前量子图像处理的一般架构,然后介绍了目前流行的量子图像表示方法、并根据不同的量子图像处理目的对现有的处理算法进行了分类和分析,最后总结并展望了量子图像处理领域的未来发展方向。     

量子计算在神经网络中的应用研究

本文首先在介绍量子计算基本理论的基础上,探讨其在神经网络中的融合与应用;同时针对典型网络模型进行了具体的可行性研究与总结。最后就其两者的融合后的实际应用进行了深入研究。     

量子计算与量子密码的原理及研究进展综述

量子计算与量子密码是基于量子效应的计算技术和密码技术.1984年Bennett和Brassard提出了第一个量子密钥分发协议,开启了量子密码学的研究,此后相继在量子加密、量子签名等领域进行了大量研究.1994年,Shor利用量子Fourier变换,设计了第一个实用的量子算法,在多项式时间内对大整数进行因子分解.1996年,Grover提出了量子搜索算法,能够对无结构数据进行二次加速.Shor算法和Grover算法的提出不仅体现了量子计算的优越性,还对传统基于数学困难问题的密码学体制造成威胁.经过半个世纪的发展,量子计算与量子密码在理论与实践的研究上都取得了丰硕的成果.从量子力学的数学框架、基本概念和原理、量子计算基本思想、量子密码研究进展及主要思想等方面进行总结梳理.     

CMAC(小脑模型)神经计算与神经控制

CMAC神经网络是局部学习网络,结构简单,收敛速度快,易于软件和和硬件实现 ,具有广泛的应用前景．本文综述了CMAC神经网络结构和算法,以及在控制中的应用,指出 了CMAC神经计算和神经控制发展方向及在实际应用中需解决的问题．     

基于量子门组的量子神经网络模型及其应用

为进一步提高量子神经网络的性能,结合目前神经网络机理的研究进展,提出了一种基于量子门组的量子神经元模型,建立了量子门组量子神经网络（Quantum Gate Set Neural Network,QGSNN）。该算法由输入层、隐含层和输出层组成,该算法将转换后的量子态训练样本作为输入。利用量子旋转门和通用量子门完成旋转、选择、翻转和聚合等一系列操作,并完成了网络参数的更新。将训练后的结果输出。QGSNN算法的泛化能力在数学上得到了证明,并利用两个仿真实验对该方法进行验证。实验结果表明,与普通神经网络和普通量子神经网络相比,QG-SNN算法在泛化性能、鲁棒性、准确率和执行时间等方面具有较好的效果。     

量子芯片测评技术综述

在研制量子芯片时对其性能进行测评,以校准量子算法实际执行结果与理论结果的拟合程度是量子计算优于经典计算的重要一步.然而,目前国内外对量子芯片性能测评方面并没有统一的基准测试,对于量子芯片局部指标的测评标准容易导致人们对芯片整体性能的误解.鉴于此,本文首先简述现有的量子芯片性能指标,其次通过对测评方法进行分类,概述现今量子芯片测评方法,最后总结量子芯片测评技术的现存问题并对未来的测评技术进行展望.本综述可为从事相关工作的人员进行查阅提供便利.