蓝盟IT小贴士，来喽！
深度神经网络在目前的修正计算应用中使用了发展最广泛的机器学习算法。 如图2所示，深度神经网络加速器在通用处理器(电脑CPU，显示芯片)或专用加速器(FPGA，ASIC )中广泛研究。
但是，随着应用程序的复杂化，网络结构不断扩大，存储性能瓶颈日益突出。 虽然在传统计算平台下，n个数字注音字仅可表示一个n二进制位数据，但在量化校正操作中，m个量化二进制位可表示云同步2￣m个数据，且可将这些个数据操作到云同步上。
量子计算机具有如此强大的存储和校正能力，具有巨大的潜在能力，打破神经网络传统校正平台上的性能瓶颈，获得量化优势。
在深入学习领域获得量子优势的方法仍面临许多挑战，其中的首要障碍是缺乏联合修订神经网络和量子线路的自动化工具。
现有的工作是将为以往的修正计算系统而修正的神经网络直接映射到量子修正计算机，或者直接设定量子神经网络。
然而，这种独立设置校正难以发挥量化校正算术功能的优点(例如，实数乘法引入了过多的量化二进制位，从而引起大的开销)。 根本原因是协同设置修订工具不足，这项工作填补了这一空白，提出了第一个神经网络/量子修订协同设置修订信息帧网络，QuantumFlow。
网络模型设计器QF-Net:用随机变量表现输入的实数数据，自然地用量子态表现，实现随机变量的运算。 该设定纠正器提出了便于实现量化线路的基本运算操作，比如向量的线性、非线性运算、批量标准化操作等。
量化线路设定纠正器QF-Circ:针对QF-Net的每个运算动作，设定相应的量化线路安装。
前向反向传播器QF-FB:提供在常规计算平台上有效的前向传播实现，以通讯端口高效QF-Net模型训练。
网络映射QF-Map:根据通过QF-FB训练得到的QF-Net模型，首先进行网络-线路映射，建立对应于QF-Net的量化线路QF-Circ。 进而进行虚拟物理量化二进制位映射，将QF-Net导入到量化修正功能中。 当执行虚拟物理量化二进制位映射时，考虑量化校正计算功能的错误率，改进模型精度。
根据QF-FB在以往的补正机上的模拟结果，显示了QF-Net的有效性。 如图4所示，被设置用于量化校正操作的QF-Net与多层传感器MLP(C )相比，常规校正操作系统具有相同结构。
文/上海蓝盟 IT外包专家
中文
电话咨询
微信咨询
公众号
