计算机应用

作者：闫文杰, 党东月

单位：河北工业大学 人工智能与数据科学学院，天津 300401

关键词：量子态层析,宽度学习系统,特征自适应提取,深度学习,保真度

基金：国家自然科学基金资助项目(62201552)

针对量子态层析（QST）面临的数据维度指数级增长的难题，提出一种基于特征自适应提取的宽度QST模型（AFE_BQST）。首先，引入特征自适应提取策略，从而避免权重的随机性生成导致的映射特征节点不确定的现象；其次，采用宽度学习系统（BLS），以一种非迭代的方式将输入的数据映射到更合适的特征空间，提取大容量数据特征；最后，在低维和高维量子态数据的情况下进行实验，采用平均保真度和运行时间这2个性能指标，将AFE_BQST与宽度QST（BQST）、基于深度神经网络的QST（D_QST）、基于卷积神经网络的QST（C_QST）和基于U形神经网络的QST（U_QST）模型对比。实验结果表明，在低维量子态小样本情况下，AFE_BQST与次优基线模型BQST相比，提升了0.045个百分点的平均保真度，且运行时间相当；在高维量子态大样本情况下，AFE_BQST与次优基线模型D_QST相比，提升了0.175个百分点的平均保真度，且减少了99%的运行时间。以上结果验证了AFE_BQST具有自适应提取量子态数据特征以及准确且高效地重构量子态数据的能力。

来源：2024年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第12期