QCCNN量子类神经网路架构VIP免费

QCCNN量子類神經網路架構蔡賢亮義守大學資訊管理系jim@isu.edu.tw劉榕軒義守大學資訊管理系M9322020@stmail.isu.edu.tw摘要到目前為止，已有各式各樣的量子類神經網路模型被提出了。但從研究中，我們發現到多數的模型只是個構想，並沒有提出明確而完整的量子學習法則；只有少數模型有提出量子學習法則，但是我們也發現到這些學習法則是不可行的，因為它們都不能真正的符合量子理論。而從目前已被提出的量子類神經網路的學習法則中，我們發現到DanVentura和TonyMartinez提出的以量子搜尋演算法（quantumsearchalgorithm）為基礎的學習法則是最可行的（在論文中，我們將稱此學習法則為量子搜尋學習法則）；但這個量子學習法則卻仍存在若干個缺陷，使得這個學習演算法仍有改進之處。為了解決量子搜尋學習法則的缺陷，我們提出一個新的量子類神經網路架構，它結合傳統的cascadecorrelation類神經網路（CCNN）的自動建構概念及量子搜尋學習法則，我們稱這個新量子類神經網路架構為量子cascadecorrelation類神經網路（QCCNN:quantumcascadecorrelationneuralnetwork）。這個新的架構不但解決了如何決定量子類神經網路大小的問題，也可以減少量子搜尋學習法則在訓練過程花費的時間及空間。從初步的實驗數據顯示，我們提出的QCCNN及其新學習法則確實更有效率、更可行。關鍵字：cascadecorrelation類神經網路、量子類神經網路、量子搜尋演算法、錯誤嘗試法。壹、引言傳統領域的類神經網路（NN,neuralnetworks）發展也已有一甲子的歲月了，由於它具有若干著越能力，使得類神經網路成為發展最快速的研究領域之一，而且它也已經被大量地應用在相當多的領域上；但就目前的電腦處理架構而言，實際上，我們並未把類神經網路的平行處理特性發揮出來，我們充其量只是在模擬而已，所以目前類神經網路的實際應用結果乃大大地受限於目前電腦技術。而超大型積體電路的發展也接近瓶頸，新的電腦架構（基因電腦、分子電腦及量子電腦等）研發將是勢在必行，而量子電腦（quantumcomputers）便是一個方向。如果量子電腦在未來果真的成為事實，那目前科學界上有若干難解或不可能解的問題都將可能不再是難題了（例如，密碼問題）！另外，量子電腦的量子平行處理能力對於類神經網路也將帶來革命性的突破，因為類神經網路的平行處理特性得以藉由量子平行計算技術而完全發揮。而以量子理論為基礎的類神經網路則稱為量子類神經網路（QNN,quantumneuralnetworks）。到目前為止，已有若干量子類神經網路模型被提出了，但多數模型都沒有提出很明確的方法來訓練它們的量子類神經網路，甚至有些模型根本沒有提及要如何去訓練量子類神經網路。例如，Altaisky在2001年提出的模型中，他曾提到使用類似傳統類神經網路的gradientdescent學習法則來訓練量子類神經網路，然而，這個訓練法則是否符合量子理論呢？我們曉得其答案是否定的。目前已提出的量子類神經網路類似於傳統類神經網路的論述有，其它的模型則與傳統類神經網路差異極大，例如，quantumdot類神經網路。而這些被提出的量子類神經網路模型多數是不實用或跟本無法應用量子技術實做。但對於類神經網路而言，學習法則是它們的主要精髓之一，沒有可行的學習法則，它們便失去學習的能力，所以，量子類神經網路要能實現的話，那量子學習法則也是迫切需要的。而DanVentura和TonyMartinez在2000年首先提出將量子搜尋演算法（quantumsearchalgorithm）應用在量子關連記憶學習上，利用量子搜尋演算法來訓練量子類神經網路。我們發現這是一個確實可行且合乎量子理論的量子學習法則。貳、量子搜尋學習法則傳統類神經網路都是藉由調整權重值來達到學習的目的，但是這種方式似乎是不適用於量子類神經網路；而要訓練量子類神經網路的另一個可行的方法是從所有可能的權重向量集合中，找出一組權重向量能使所有的訓練樣本能被正確地分類。在2000年，DanVentura和TonyMartinez首先提出將量子搜尋演算法（quantumsearchalgorithm）應用在量子關連記憶學習上，利用量子搜尋演算法在量子關連記憶學習上。又在2003年，Ricks和Ventura再次提出利用量子搜尋演算法來訓練量子類神經網路，並...