量子计算的特性精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的量子计算的特性主题范文，仅供参考，欢迎阅读并收藏。

第1篇：量子计算的特性范文

自1982年理查德·费曼（Richard Feynman）提出“量子计算机”的概念之后，人们对它颇为关注，众多研究机构更是试图借此开辟计算机时代的新纪元。但是，任凭人们千呼万唤、前赴后继，都没能够彻底揭开量子计算机的面纱。那么，量子计算机到底发展到了什么样的阶段？遇到了什么障碍？此次诺贝尔奖会对量子计算机的研发起到什么推动作用？量子计算机一旦面世，随之而来的会是什么？

量子计算机是大势所趋

所谓量子计算机，简单来说就是利用量子携带信息、存储数据，遵循量子算法进行高速的数学和逻辑运算的物理设备。我们熟知的传统计算机的“心脏”依赖的是硅芯片，但是一个芯片的面积总是有限的。

硅晶体管作为在芯片上传输信息、处理信息的微型开关，每年都在缩小，但是，由于硅的特性和物理原理，尺寸缩小（现已达到纳米级）将限制性能的提升。所以，对晶体管进行传统的尺寸的扩展和收缩操作，不能再产生行业已经习惯的更低功耗、更低成本、更高速度的处理器的效果。虽然英特尔的22纳米处理器已经面世，还计划于2013年推出14纳米处理器，对于10nm、7nm以及5nm的制程研发路线图也已敲定，但是，只要粒子的尺度到了10的负10次方米以下，就会明显出现量子特性，所以大部分物理学家坚持认为，摩尔定律不可能无限维持。

为了突破这道瓶颈，

IBM一直致力于研发碳纳米管芯片，其研究人员在一个硅芯片上放置了1万多个碳纳米晶体管，从而能够获得比硅质器件更快的运行速度。IBM声称这一成果有望让摩尔定律在下一个十年中继续生效。但是，如何获得高纯度的碳、如何实现完美的制造工艺又是不可避免的问题。

因为量子计算机是利用量子携带信息的，所以，传统计算机面临的挑战恰恰是量子计算机的优势所在。量子计算机中的每个数据由不同粒子的量子状态决定，根据量子力学原理，粒子的量子状态是不同量子状态的叠加。所以，量子计算机计算时采用的量子比特在同一时间内能够呈现出多种状态——既可以是1也可以是0，传统计算机在运算中采用的传统比特在特定时间内只能代表一个状态——1或者0。这就是量子计算机与传统计算机最大的不同之处。由于量子叠加状态的不确定性，量子计算可以同时进行大量运算，它的潜在应用包括搜索由非结构化信息构成的数据库，进行任务最优化和解决此前无法解答的数学问题。所以，量子计算机是大势所趋。

实现方案众多

量子计算机以其独特的运算逻辑和强大的运算性能吸引了无数研究机构和科学家对其进行研究，也相继取得了一些成果。量子计算机以处于量子状态的原子作为中央处理器和内存，所以研制量子计算机，关键在于成功操控单个量子。相信大家一定对“薛定谔的猫”这一理论并不陌生，关在密闭笼子里的猫，由于量子状态的不确定性，人们永远不知道它是活着还是死亡。所以，处于宏观世界的我们如何才能够有效操控微观世界的粒子，是极大的难题。从理论上讲，量子计算机有几十种体系，从实验上也有十几种实现方法。

阿罗什带领他的团队利用微米量级的高反射光学微腔实现了单个原子辐射光子的操作；瓦恩兰的团队则利用可结合激光冷却技术，在离子阱中实现了单个离子的囚禁；IBM的托马斯·沃森研究中心组建了一支庞大的研究团队，依赖耶鲁大学和加州大学圣巴巴拉分校过去几年在量子计算领域取得的进展，意欲基于微电子制造技术实现量子计算；美国普林斯顿大学物理副教授杰森·培塔表示，他和加州大学圣巴巴拉分校的科学家利用电子的自旋特性，寻找到了操控电子的方法；利用声波和超导材料，也可以实现量子计算机的拓展；总部位于加拿大的D-Wave公司的量子芯片使用了特殊的铌金属（元素符号Nb，一种类似于银，柔软的、可延展的金属）材料，在低温下呈超导态，其中的电流有顺时针、逆时针以及顺逆同时存在的混合状态，而这正可以用来实现量子计算。

众多方法中，最值得一提的便是阿罗什和瓦恩兰的做法。阿罗什构造了一个腔，把单个光子囚禁在光腔里，实现量子的操控，再往腔里放入单个原子，使原子和光子相互作用，通过腔的损耗来调控它们的状态。瓦恩兰捕获离子的方法，是用一系列电极营造出一个电场囚笼，离子如被装进碗里的玻璃球，而后，用激光将离子冷却，最终，最冷的一个离子安静地待在碗底。他们独立发明并优化了测量与操作单个粒子的实验方法，而且单个粒子在实验过程中还能保持量子的物理性质。

中国科学院院士郭光灿这样评价阿罗什和瓦恩兰的成就：量子计算这个领域已经取得了飞速发展，现在的技术已经超过当初的技术，但是起点是他们。我们现在关注的不是单个离子，而是多个离子的纠缠，比如两个腔怎么连在一起，这是将来要做的，此外，还会有各种各样的腔，比如光学腔、物体腔和超导腔等。现在做量子计算机，实际上就是做芯片，把很多离子纠缠在一起，分到各个区里面，如果这一步能实现，量子计算机有希望在这方面实现实质性突破。

过程艰难 但前景乐观

自“量子计算机”的概念提出到现在的30年间，科学家们纷纷涉足，不管是在理论方面，还是实践方面，都取得了一些不可忽视的成就。

近几年来，量子计算机的领域更是全面开花，量子计算机不再是人们“只闻其名，不见其形”的概念型产品。英国布里斯托尔大学等机构以奥布赖恩为领导的研究人员更是在新一期美国《科学》杂志上宣布，成功研发出一种可用于量子计算的硅芯片。奥布赖恩表示，利用这种芯片技术，10年内可能就会研制出超越传统计算机的量子计算机。

想要研制出实用的量子计算机，需要面临科学技术方面的多重挑战，其中最主要的两大障碍就是：如何让粒子长时间保持量子状态，即保持相干性；如何让尽量多的粒子实现共同计算，即实现量子纠缠。阿罗什和瓦恩兰给出的实验方法均成功地打破了这些障碍，实现了基础性的突破。近几年来，研究人员以他们的研究成果为出发点，不断探索，取得了快速进展，可谓前景乐观。

需要注意的是，量子计算机的出现会将网络安全置于非常危险的境地，给现有的社会和经济体系以及国防带来潜在威胁。目前大部分的网络保密是使用“RSA公开码”的密码技术。想要破译这种密码，就要对大数分解质因子，这是极其困难的。按照现有的理论计算，分解一个400位数的质因子，用目前最先进的巨型计算机也需要用10亿年的时间，而人类的历史才不过几百万年。然而，量子计算机能够借助其强大的运算功能瞬间完成密码破译，这严重动摇了RSA公共码的安全性。

目前，量子计算机给人们的印象不过类似于一个玩具，娱乐价值似乎更高一些，但是在不久的将来，它一定能够引领计算机世界的潮流。

相关链接

量子计算机发展简史

1982年，诺贝尔奖获得者理查德·费曼（Richard Feynman）提出“量子计算机”的概念。

1985年，英国牛津大学的D. Deutsch进一步阐述了量子计算机的概念，并且证明了量子计算机比经典图灵计算机具有更强大的功能。

1994年，贝尔实验室的专家彼得·秀尔（Peter Shor）证明量子计算机能够完成对数运算，而且速度远胜传统计算机。

2005年，世界第一台量子计算机原型机在美国诞生，它基本符合了量子力学的全部本质特性。

2007年2月，加拿大D-Wave系统公司宣布研制成功16位量子比特的超导量子计算机。

2009年，世界第一台通用编程量子计算机在美国国家标准技术研究院诞生。

2010年1月，美国哈佛大学和澳洲昆士兰大学的科学家利用量子计算机准确算出了氢分子所含的能量。

2010年3月，德国于利希研究中心发表公报：该中心的超级计算机JUGENE成功模拟了42位的量子计算机。

第2篇：量子计算的特性范文

关键词:量子力学 量子计算机

中图分类号:TP39 文献标识码:A文章编号:1007-3973 (2010) 02-106-01

1量子力学对计算机技术发展的影响

自1646年第一台电子计算机问世以来,其芯片发展速度日益加快。按照芯片的摩尔定律 ,其集成度在不久的将来有望达到原子分子量级。在享受计算机飞速发展带来的种种便利的同时,我们也不得不面临一个瓶颈问题,即根据量子力学理论,在芯片发展到微观集成的时候,量子效应会影响甚至完全破坏芯片功能。因此,量子力学对计算机技术发展具有决定性作用。

1.1量子力学简介

量子力学是近代自然科学的最重要的成就之一. 在量子力学的世界里,一个量子微观体系的状态是由一个波函数来描述的,而非由粒子的位置和动量描述,这就是它与经典力学最根本的区别。

1.2量子力学与量子计算机

量子力学的海森堡测不准原理决定了粒子的位置和动量是不能同时确定的()。当计算机芯片的密度很大时(即很小)将导致很大,电子不再被束缚,产生量子干涉效应,而这种干涉效应会完全破坏芯片的功能。为了克服量子力学对计算机发展的限制,计算机的发展方向必然和量子力学相结合,这样不仅可以越过量子力学的障碍,而且可以开辟新的方向。

量子计算机就是以量子力学原理直接进行计算的计算机.保罗•贝尼奥夫在1981年第一次提出了制造量子计算机的理论。量子计算机的存储和读写头都以量子态存在的,这意味着存储符号可以是0、1以及它们的叠加。

2量子计算机的优点

近年来的种种试验表明,量子计算机的计算和分析能力都超越了经典计算机。它具有如此优越的性质正在于它的存储读取方式量子化。对量子计算机的原理分析可知,以下两个个特性是令量子计算机优越性的根源所在。

2.1存储量大、速度高

经典计算机由0或1的二进制数据位存储数据,而量子计算机可以用自旋或者二能级态构造量子计算机中的数据位,即量子位。不同于经典计算机的在0与1之间必取其一,量子位可以是0 或者1,也可以是0和l的迭加态。

因此,量子计算机的n个量子位可以同时存储2n个数据,远高于经典计算机的单个存储能力; 另一方面量子计算机可以同时进行多个读取和计算,远优于经典计算机的单次计算能力。量子计算机的存储读取特性使其具有存储量大、读取计算速度高的优点。

2.2可以实现量子平行态

由量子力学原理可知,如果体系的波函数不能是构成该体系的粒子的波函数的乘积,则该体系的状态就处在一个纠缠态,即体系的粒子的状态是相互纠缠在一起的。而量子纠缠态之间的关联效应不受任何局域性假设限制,这使两个处在纠缠态的粒子而言,不管它们离开有多么遥远,对其中一个粒子进行作用,必然会同时影响到另外一个粒子.正是由于量子纠缠态之间的神奇的关联效应, 使得量子计算机可以利用纠缠机制,实现量子平行算法,从而可以大大减少操作次数。

3量子计算机发展现状和未来趋势

3.1量子计算机实现的技术障碍

到目前为止,世界上还没有真正意义上的量子计算机,它的实现还有许多技术上的问题。

量子计算机的优越性主要体现在量子迭加态的关联效应. 然而,环境对迭加态的影响以及迭加态之间的相互作用会使这种关联效应减弱甚至丧失,即量子力学去相干效应.因此应尽量减少环境对量子态的作用。同时,万一由于相干效应引入了错误信息,必需能及时改正,这需要进一步的研究和实验。

另一方面,量子态不能复制,使得不能把经典计算机中很完善的纠错方法直接移植到量子计算机中来.由于量子计算机在计算过程中不能对量子态测量, 因为这种测量会改变量子态, 而且这种改变是不可恢复的,因此在纠错方面存在很多问题。

3.2量子计算机的现状

由于上述两种原因,现在还无法确定未来的量子计算机究竟是什么样的, 目前科学家门提出了几种方案.

第一种方案是核磁共振计算机. 其原理是用自旋向上或向下表示量子位的0 和1 两种状态,重点在于实现自旋状态的控制非操作,优点在于尽可能保证了量子态和环境的较好隔离。

第二种方案是离子阱计算机. 其原理是将一系列自旋为1/2 的冷离子被禁锢在线性量子势阱里, 组成一个相对稳定的绝热系统,重点在于由激光来实现自旋翻转的控制非操作其优点在于极度减弱了去相干效应, 而且很容易在任意离子之间实现n 位量子门。

第三种方案是硅基半导体量子计算机. 其原理是在高纯度硅中掺杂自旋为1/2的离子实现存储信息的量子位,重点在于用绝缘物质实现量子态的隔绝,其优点在于可以利用现代高效的半导体技术。

此外还有线性光学方案, 腔量子动力学方案等.

3.3量子计算机的未来

随着现代科学技术的发展,量子计算机也会逐渐走向现实研制和现实运用。量子计算机不但于未来的计算机产业的发展紧密相关,更重要的是它与国家的保密、电子银行、军事和通讯等重要领域密切相关。实现量子计算机是21 世纪科学技术的最重要的目标之一。

参考文献:

[1]胡连荣. 速度惊人的量子计算机[J].知识就是力量

[2]付刚.“量子计算机”解密[N].中安在线-安徽日报

[3]谭华海.量子计算机研究的最新进展[J].教育部科技发展中心内刊.

第3篇：量子计算的特性范文

关键词：量子信息论；信道容量；光通信

中图分类号：N031 文献标识码：A

文章编号：1005-913X（2012）08-0163-01

一、引言

信息论或者称为通信的数学理论，是研究信息的传输、存储和处理的科学。Shannon信息论是其主要代表。而在量子世界里，信号的物理特性与其所传输的信息完全紧密联系，从而产生了量子信息论。近年来，量子密码技术、量子通信、量子计算、量子模拟、量子度量学等方面都取得了很大进展[1]如今，光通信中有关信息论的相关理论已成为人们关心的课题。本文将对量子信息学在光通信中的应用进行分析和比较。

二、Shannon信息论

（一）信息熵的概念

Shannon从研究通信系统传输的实质出发提出了信息熵H（X）的概念 [2]

I（X；Y） = H（X）-H（X/Y） （1）

也可表示为：

■ （2）

（二）信道容量

信道容量C，它反应了信道传输信息的能力，是信道特性的参量。

C=max{I（X；Y）} （bit/event） （3）

Shannon对信道研究后发现由高斯信道可推导出Shannon公式[2]

C=Bln=Bln

■ （4）

N0是每单位频率的信噪比，B是带宽。

高斯信道中的信息量达到极限时[6]：

C=limB ln（1+S/（N0*W））=■lne=1.44■（bit） （5）

三、量子信息论

量子信息论采用与信息论相类似的方式向前发展。 [3] 在量子信息论中常用量子位或者量子比特表示信息单位。如|Ψ>=α|0>+β|1>（|α|2+|β|2=1），|Ψ>，又称为叠加态。

量子比特之所以与比特有如此大的差异是因为量子态是相互纠缠的。

（一）冯诺依曼（Von Neumann）熵

与经典信息论相似，量子信息论定义了冯诺依曼（Von Neumann）熵为：

S（ρ）=-Trρlogρ （6）

当组成混合态系统的每个纯态是相互正交时，（6）式退化为

S（ρ）=-Trρlogρ=■pilogpi （7）

冯诺依曼（Von Neumann）熵等于Shannon熵；而当各纯态相互不正交时，可证明系统的冯诺依曼熵将小于Shannon熵。

（二）量子信道与信道容量

在量子信息论中有三种信道容量概念：①无经典辅助条件下传输完整量子信息的信道容量Q（N）②只传输经典信息时的信道容量C（N）③在一般信道辅助下传输量子信息的信道容量Q2（N）。Q（N）与C（N）的定义形式相同；如Q（N）定义为：对于任意大的n和任意小的ε，当n个量子比特的每个量子态|φ>经过编码、信道传输和解码后的保真度都大于1 -ε 时的量子信道的最大传输速率；用数学公式可精确地表示为

Q（N）=■■sup{■：■m，E，D

■ψ∈H2n>1-ε （8）

但是，对于绝大多数的有噪声量子信道，这种容量并不能计算出具体值，而仅是一个取值范围。

在信息论中，Q（N）可通过干信息来描述，而C（N）完全由可获信息来确定。

四、光纤通信中的信息量

在光量子信道中，对于频率fi，输出信号的平均量子数为

yi=xi+ni （9）

假设xi与ni 统计独立。设xi，ni，yi的概率密度函数为p（xi），p（ni），p（yi），则p（yi/xi）=p（ni）。[5]在特定频率fi上，光量子信道的平均互信息[4]

I（yi；xi）=H（yi）- H（ni） （10）

因为固定时间间隔t，t=■，所以单位时间内的平均互信息

I（X；Y）=■■I（yi；xi）=H（Y）-H（n） （11）

在fi上，假设接收信号的光量子的离散能谱为

EI=hfi （h是普朗克常数） （12）

由于热辐射，光量子的波动服从Gibb分布

P（ni）=■ （13）

可得光量子的波动引起的噪声熵

H（nI）=π2Kt/3hln2 （14）

由（12）式，可得单位时间内信号的平均能量

S=EI=■■■xi ρ（xi）hfi （15）

而输出信号的平均功率是

■■■yi ρ（yi）hfi

=S+■■■ni ρ（ni）hfi （16）

所以，对于窄带的光量子信道，带宽f

就等于Shannon信道容量公式。

五、结束语

Shannon信息论是一套数学理论，而在物理效应非常明显的量子世界里讨论信息问题时，量子信息论起着支柱作用。它的实用性在量子密码通信和量子计算机已经初步实现。[7]现代信息论的理论与方法变得更加全面和深刻。必将在包括光通信在内的广阔通信领域发挥重要作用。

参考文献：

[1] 周正威，等.量子信息技术纵览[J].科学通报，2012（17）.

第4篇：量子计算的特性范文

关键词：智能信息处理技术；量子计算智能导论；教学实践

人类正被数据淹没，却饥渴于知识。面临浩瀚无际而被污染的数据，人们呼唤从数据中来一个去粗取精、去伪存真的技术。而数据挖掘就是从大量数据中识别出有效的、新颖的、潜在有用的，以及最终可理解的知识和模式的高级操作过程，所以数据挖掘也可以说是一个模式识别的过程，因此模式识别领域的许多技术经过一定的改进便可以在数据挖掘中起重要的作用。计算智能(Computational Intelligence-CI)方法是传统人工智能(Artificial Intelligence，AI)的扩展，它是模式识别技术发展的新阶段[1]。

科学家预言：“21世纪，人类将从经典信息时代跨越到量子信息时代”。创立了一个世纪的量子力学随着20世纪90年代与信息科学交叉融合诞生的量子信息学，已成为量子信息时代来临的重要标志[2]。量子计算智能导论作为信息科学、计算机科学、智能信息处理、人工智能等相关专业的研究生专业课程，已经在越来越多的高等学校开设。

由于量子计算智能是一门跨越包括物理学、数学、计算机科学、电子机械、通讯、生理学、进化理论和心理学等学科在内的深奥科学，因此量子计算智能导论的教学内容和侧重点的安排目前仍处在探索阶段，尤其作为研究生课程如何使得学生在掌握深奥理论的基础上结合实际应用，将理论转化为技术与工具，从而提高动手能力，这是每个研究生专业课任课老师的核心探索所在，因此就要求老师在授业解惑的同时关注前沿，以该学科的前沿领域为教学指引，进而更好的培养研究生主动探索知识的能力。

1教材选择

一本好的教材为教学起到了画龙点睛的作用，因此教材的选择即是老师对教学内容，教学目标和教学方法的选择。我们选择教材，期望该教材由浅入深、深入浅出、可读性好，具有系统性、交叉性、前沿性等特点。由于量子计算智能导论为全校研究生的专业课程，而量子计算智能是一门多学科交叉的综合型学科，因此我们要考虑到来自学校不同专业背景，以及在物理，数学，工程优化和进化理论基础有限的两难困境，所以首先选择了一本关于量子计算的英文原版书作为教材之一，Michael Nielsen等人所著的《Quantum Computation and Quantum Information》[3]，2003年高等教育出版社出版，该书全面介绍了量子计算与量子信息学领域的主要思想与技术。到目前为止，该领域的高速进展与学科交叉的特性使得初学者感到困惑而不易对其主要技术与结论有综合性的认识，而该书特色在于对量子机制和计算机科学给予了指导性介绍，使得那些没有物理学或计算机科学背景的学生对此也易于接受，为学生提供了详实的关于量子计算的物理原理和基本概念；另外考虑到这门课程面向研究生，无论将来他们是直接就业还是继续深造，都要注重实践动手能力的培养，要能够将自己所学的书本知识转化为技术和工具，去解决实际的工程和科研问题，因此我们还选择了另外一门书，由李士勇教授所著的《量子计算与量子优化算法》[4]，哈尔滨工业大学出版社于2009年出版，该书着重讲解了量子优化算法，为实际工程应用提供了新的思路，并启发大家在量子计算机没有走出实验室的今天，如何利用现有的数字式计算机构造具有量子特性的快速算法。当然考虑到全校研究生的专业知识背景不同，我们也推荐了中南大学蔡自兴教授等编著，2004年由清华大学出版社出版的《人工智能及其应用：研究生用书(第三版)》[5]，该书是蔡自兴为主讲教授的国家精品课程人工智能的配套教材，该本书中系统全面的讲解了高级知识推理、分布式人工智能与艾真体、计算智能、进化计算、群智能优化、自然计算、免疫计算以及知识发现和数据挖掘等近年的热点智能方法，从而辅助学生了解人工智能，以及人工智能如何发展到计算智能，使得学生全面认识学科的发展和传承性，为今后学习量子计算智能打下坚实的理论基础。

2教学内容

本课程从量子计算的基本概念和原理出发，重点讲解量子计算基础和基本的量子算法；并从量子优化算法拓展开来。该门课程我们安排了46学时，具体安排如下：第1章，量子力学基础(2学时)；第2章，量子计算基础(4学时)；第3章，基本量子算法(4学时)；第4章，Grover量子搜索算法的改进(4学时)；第5章，量子遗传算法(8学时)；第6章，量子群智能优化算法(8学时)；第7章，量子神经网络模型与算法(8学时)；第8章，量子遗传算法在模糊神经控制中的应用(8学时)。

3教学方法

3.1理论与实践相结合的教学方法

量子计算智能导论是一门多学科交叉的综合型学科。选课的同学来自全校，各个的专业背景不同，但是大家的共同需求是一样的，就是从课程中掌握一种用于解决实际问题的工程技术，但是工程技术的掌握也需要理论的支撑，因此我们在教学实践中总结出了一套方法，具体做法是将教学内容划分为：理论型和实践型。

理论型教学指的是发展完善的量子计算基本原理和方法。其内容包括：量子位、量子线路、量子Fourier 变换、量子搜索算法和量子计算机的物理实现等。而其中量子位、量子线路以及量子算法都是以量子相对论为基础的，这也是量子计算的本质原理，而较之我们熟悉的数字式计算机和计算方式有着本质的区别。我们在教学中由浅入深，通过PPT授课，采取理论与实例相结合的讲授方式。下面给出了一个我们在教学中的实例：将量子计算问题形象化。具体内容如下。

让我们想象一下下面这个问题。我们要找一条穿过复杂迷宫的路。每次我们沿着一条路走，很快就会碰到新的岔路。即使知道出去的路，还是容易迷路。换句话说，有一个著名的走迷宫算法就是右手法则――顺着右手边的墙走，直到出去(包括绕过绝路)。这条路也许并不很短，但是至少您不会反复走相同的过道。以计算机术语表述，这条规则也可以称作递归树下行。现在让我们想象另外一种解决方案。站在迷宫入口，释放足够数量的着色气体，以同时充满迷宫的每条过道。让一位合作者站在出口处。当她看到一缕着色气体出来时，就向那些气体粒子询问它们走过的路径。她询问的第一个粒子走过的路径最有可能是穿过迷宫的所有可能路径中最短的一条。当然，气体颗粒绝不会给我们讲述它们的旅行。但是 量子算法以一种同我们的方案非常类似的方式运作。即，量子算法先把整个问题空间填满，然后只需费心去问问正确的解决方案(把所有的绝路排除在答案空间以外)。这样以来，一个枯燥晦涩的量子算法就被很形象的解释，因此增强了学生的记忆也加深了理解，从而提高了学生的学习兴趣。

实践型教学指的是正在发展中的量子计算智能方法的热点问题。其内容包括：量子遗传算法，混沌量子免疫算法，量子蚁群算法，量子粒子群算法，量子神经网络模型与算法，和这些算法在实际工程优化中的应用。这部分内容属于本学科的前沿，但也是热点问题，因此这部分我们在教学中忽略理论推导，重点强调实际操作，在PPT课件中增加仿真实例的讲解；并在课下布置相应的上机操作习题，配合上机实践课程，锻炼学生的动手能力，同时也引导学生去关注这些前沿，从而培养他们的科研素养。

为了体现该门课的教学特点，我们在考核方式上，采取考试与报告相结合的方式，其中理论部分我们采取闭卷考试，占总考评分数的40%；实践部分采取上机技术报告考核，内容为上机实践课程布置的大作业，给出详实的算法流程图和仿真结果与分析，占总考评分数的40%；出勤率占总考评分数的20%。

3.2科研素养的培养与实践能力的提高

科研素养的最核心部分，就是一个人对待科研情感态度和价值观，科研素养的培养不仅使学生获得知识和技能，更重要的是使其获得科学思想、科学精神和科学方法的熏陶和培养。正如温总理说的那样：“教是为了不教，学是为了会学”，当学生将课本内容遗忘后，遗留下来的东西即是他们所具备的科研素养。因此，在教学中，我们的宗旨也是提高学生的科研素养，量子计算智能导论是一门理论和实践紧密结合的学科，该学科的发展日新月异，在信息处理领域的关注度也越来越高。在教学实践中，我们采用了上机实践和技术报告相结合的教学方式。掌握各种量子计算智能方法的原理和流程是这门课程教学的首要任务，因此学生结合各自研究方向实现量子智能算法在实际科研任务中的优化问题求解。在上机实践中，学生不仅要掌握该智能算法的流程而且重点关注学生对

自己科研任务的建模，学会系统分析问题，建立合理的数学模型，并给出理论分析。上机实践验收中，我们不但考察其结果展示，更增加了上机实践的技术报告，用来分析模型建立的合理性，从而培养学生对待科研问题的分析素养和建模素养。在技术报告中，我们要求学生给出几种可供参考的建模模型，并分析各自的优势，和选择这一解决方案的依据。由于量子计算智能导论是面向研究生开设的课程，在教学中，我们更佳关注其分析问题的能力，和解决问题的合理性的思考能力，从而培养学生的科研素养。

4结语

把教学当做一门艺术，是我们作为高校老师毕生追求的目标，如何做到重点讲透，难点讲通，要点讲清，这也是我们多年教学中一直关注的关键点。我们在教学中反对“灌输式”，强调“启发式”，以实际应用先导教学是非常可取的，也收到了良好的效果。量子计算智能导论是一门综合型交叉学科，且面向研究生开设，因此在教学实践中，我们十分重视学生科研素养的培养。通过上机实践和技术报告的形式引导学生积极动手，积极思考。希望这些教学中的点滴供同行们交流探讨。

参考文献：

[1] 焦李成,刘芳,缑水平,等. 智能数据挖掘与知识发现[M]. 西安:西安电子科技大学出版社,2006.

[2] 田新华. 跟踪国际学术前沿迎接量子信息时代:《量子计算与量子优化算法》评介[J]. 科技导报,2010,28(6):122.

[3]Michael A. Nielsen ,Isaac L. Chuang. Quantum Computation and Quantum Information [M]. 北京:高等教育出版社,2003.

[4] 李士勇,李盼池. 量子计算与量子优化算法[M]. 哈尔滨:哈尔滨工业大学出版社,2009.

[5] 蔡自兴,徐光v. 人工智能及其应用:研究生用书[M]. 3版. 北京:清华大学出版社,2004.

Exploration on Introduction to Quantum Computational Intelligence

LI Yangyang, SHANG Ronghua, JIAO Licheng

(School of Electronic Engineering, Xidian University, Xi’an 710071, China)

第5篇：量子计算的特性范文

美国天体物理联合研究实验室的物理学家与德国马尔堡大学的理论学家合作，发现了一类新的准粒子：他们利用超快激光，让半导体内部的多个电子和空穴以新的方式排列组合，凝结成类似于液体的“量子液滴”。尽管寿命只有短暂的25皮秒（1皮秒=万亿分之一秒），但“量子液滴”的稳定性却足以用于研究光和物质的特定形式如何相互作用。

当电子在半导体中流过时，在原本的位置留下一个空穴。电子可以与空穴结合成对，被称为激子，属于准粒子的一种。而新发现的准粒子是电子和空穴以非成对的方式排列而成的微观复合体。研究人员称之为“量子液滴”，因为它既具有量子特性，比如井然有序的能级，同时也拥有一些液体的特性，比如可以产生涟漪。它不同于我们所熟悉的液体水，因为“量子液滴”的大小非常有限，超过这一限度后，电子和空穴之间的这种相关性就会消失。

在这项实验中，研究小组向砷化镓半导体发射每秒约1亿脉冲的超快红色激光。激光脉冲首先产生的是激子，随着脉冲强度增加，更多的电子和空穴对被创建出来。但当激子的密度达到一定水平时，原本绑定的电子和空穴就会解散。电子继而绕空穴形成环形波，就像液体中原子的排列一样。在周围等离子体的压力下，带负电的电子和带正电的空穴被“挤压”成为呈中性的“液滴”。研究人员发现，4个电子和4个空穴就足以构成一滴“液滴”，最多时“液滴”中的电子和空穴数量均可以达到14个。研究人员称，他们获得的关于单个“液滴”能级的实验数据与理论计算是吻合的。调整激光脉冲的量子特性，可以让能级与“液滴”内部粒子的相关性匹配。“液滴”似乎也足够稳定，有助于未来系统性研究光和物质状态之间相互作用。而且，准粒子通常拥有其组成粒子所不具备的独特性质，可以在控制较大的系统和设备方面发挥作用。

美国天体物理联合研究实验室的物理学家史蒂芬・坎迪夫说：“说到实际用处，没人打算去研制一个‘量子液滴’小设备，但这确实可以间接地加深我们对电子在不同的情况下，包括在光电子器件中如何相互作用的认识。”

第6篇：量子计算的特性范文

【关键词】量子通信；量子信息学；量子信道；光子探测

1.引言

量子通信是量子力学和通信科学相结合的产物，可以实现经典信息论不能完成的信息处理任务。量子通信以量子力学为基础，其研究包括：量子隐形传态、量子安全直接通信等研究方向，对现有信息技术带来了重大突破，引起了学术界高度重视。近年来，有关量子计算机、量子相干性、量子通信、量子密码等理论和研究大热，其中，量子通信作为量子信息研究的内容之一，成为物理学等领域最活跃的研究热点。量子通信理论上可以实现绝对安全的通信过程，最初是利用光纤完成的，但由于光纤受地理和自身限制，无法实现远距离的量子通信，不利于全球化量子通信。1993年，6位来自不同国家的科学提出了利用量子隐形传送方案，构建了一种脱离实物的量子通信系统，以量子态作为信息载体，通过量子态的传送完成了大容量信息的传输，实现原则上不可被破译的通信技术。由于存在不可避免的环境噪声，量子的纠缠态品质会随着传送距离的增加而变得越来越差。因此，量子通信不可避免地首先要解决传输距离的限制才能具有良好的应用前景。空间量子通信技术利用分发纠缠光子的方法为远程量子通信的研究提供了一种途径。

2.空间量子通信技术原理

量子通信具有“容量大、速度快、保密性好”的优点，其过程遵从量子力学原理。典型的量子通信系统包括：量子态发生器、通道和量子测量装置。具有量子效应的粒子如：光子、电子、原子等，都可以作为实现量子通信的量子信号[1]。由于光信号具有良好的传输特性，我们现在通常所说的量子通信系统均为量子光通信系统。单光子（纠缠光子对）的分发是实现空间量子通信的前提，空间量子通信技术可以通过空间技术实现全球化的量子通信，克服自由空间链路带来的距离限制，图1给出了典型量子通信实验系统组成。

使用纠缠量子信号的量子态隐形传输技术是未来量子通信网络的核心技术[2]，其原理如下：根据量子力学理论，由两个光子组成的纠缠光子对（薛定谔将多体量子状态的不可分的相互关联称为量子纠缠），无论其在宇宙中相隔多远，其状态均不可分割。单独测量其中一个光子状态，会得到完全随机的结果，根据海森堡测不准原理，一旦测量了其中一个光子的状态，即使其发生了变化，那么另一个光子也会发生同样的变化，即“塌缩”到相同的状态。利用这一特性，通信者Alice随机产生一个比特，再随机改变自己的基来制备传输量子态，并重复多次，接收者Bob通过量子信道进行接收，他测量每个光子，也随机改变自己的基，当两人的基相同时，就得到了一组互补的随机数。一旦窃听者Eve进行窃听，纠缠光子对的特性就被破坏，Alice和Bob就会发觉，因此利用这种方式的通信是绝对安全的。

3.量子通信的研究进展和趋势

人们最初对量子的研究是基于对光的研究进行的，由于量子通信可以建立无法被破译的通信系统，因此受到美国、欧盟、日本等国在内有关科研机构的大力研究和发展，我国在这方面的研究成果也受到了国际上的广泛关注。特别是在量子通信的演示验证试验方面，学术界已经由地面自由空间传输试验向空间传输试验发展[1][3]。

（1）分发协议的发展

1984年，IBM公司的Chales H.Bennet和加拿大蒙特利尔大学的Gilles Brassard提出了第一个分发协议——BB84协议[4]。在1992年，他们又提出了EPR协议，又称E91协议，将纠缠态首次与量子通信联系起来[5]。2002年，Bostrom和Felbinger提出了Ping-pong协议[6]，这是一个十分重要的协议，其信息可以被确定性的直接传输，明显提高了传输相率，受到人们的重视。目前所有实验基本上基于上述协议进行的[7]。

（2）地面自由空间量子通信实验进展

1993年，美国IBM公司基于纠缠态交换的实验方案实现了世界上第一个量子信息传输实验，传输距离32cm，传输速率10bps，从此拉开了量子通信实验研究的序幕[1]。表1给出了现在国内外较著名的地面自由空间量子通信实验及成果[2][8-10]。

其中，中国科学技术大学潘建伟教授、清华大学彭承志教授等人于2005年至2009年间一系列的研究成果表明量子隐态传输穿越大气层是可行的，纠缠光子在穿透等效于整个大气厚度的地面大气后，其纠缠特性仍可以保持，这为未来空间量子通信技术的发展奠定了基础[7]。2007年，Zeilinger领导的联合实验室在奥地利两海岛间实现了跨越144km距离的基于诱骗态和纠缠态量子通信，是目前为止自由空间量子通信实验距离的世界纪录[7]。该实验的单光子源采用弱相干脉冲[10]，链路采用双向主动望远镜跟踪系统，包括一台光学望远镜（可发送单光子同时接收信标激光信号）及一架CCD相机等部件，如图2所示。这个实验的成功被认为是实现空间量子通信的重要基石。

由于量子通信的优势和特点，许多国家都把其列入重点研究范围，纵观各国研究现状，不难发现，美国侧重研究量子理论，正在大力研究和发展量子计算机和量子通信的理论和技术，希望在十年内有所突破。欧洲则对星地量子通信等空间应用较感兴趣，善于联合各国力量推动量子通信技术发展，现已开展相关实验。日本则重点致力于提高量子通信传输速率，并致力于量子网络系统的搭建和研究。我国目前已经在自由空间量子通信上取得了一系列世界领先的科研成果，需要广大科研人员继续努力，保持我国在该领域的领先地位。

（3）量子通信在空间的实验计划

欧空局（ESA）自2002年以来资助了一系列空间量子通信研究，如QSpace项目（2002年-2003年），ACCOM项目（2004年），QIPS（2005年-2007年）。QSpace项目一来是为了验证基于量子物理学的空间通信技术的可行性，二来是为了验证空间量子通信较地面量子通信的优势，如可避免大气扰动和吸收的影响等[11]。为此该项目进行了一些列的试验，获得了空间量子通信四项主要应用方向，对空间量子通信技术优势进行了归纳总结。ACCOM项目主要包括一个空-地单向通信实验，该实验基于当时的星间光通信技术，利用一个空基发射机对多个分布式地基接收机间进行自由空间量子通信实验，首次研发出了一种可重复使用光学收发终端。该项目的实验系统是在经典光学通信系统上进行复杂设计后改建的。QIPS项目即为上面描述的Zeilinger领导的联合实验团队进行的144km量子通信实验。实验表明，144km地面水平传输实验量子信道传输损耗约为25-30dB，这一数值与低轨卫星与地面间传输损耗大致相当，由此可见，同样的技术应用于空-地系统更具发展潜力和优势。

基于上述研究成果，维也纳大学的研究团队于2004年提出了Space-QUEST计划。审核该计划的ELIPS-2项目组认为该计划具有非常巨大的优势并强烈推荐ESA进行资助并实施。Space-QUEST实验旨在首次验证如下内容[11]：

1）基于新型量子通信技术（QKD）的全球无条件安全空间信息传输技术。

2）利用空间环境优势，突破地基量子通信瓶颈，实现空间量子通信。

如图4所示，该计划拟采用国际空间站（ISS）上搭载的量子通信终端设备向地面发送纠缠态光子来进行，搭载的光学望远镜口径仅10-15cm，载荷总重小于100kg，峰值功率小于250W，收发终端间距离大于1000km，远远超过现有地基实验系统传输距离。该计划最终将于2015年实施完成。

（4）空间量子通信技术存在的主要问题

一是空间量子通信噪声干扰消除问题。由于现实通讯状况的不完美和噪声干扰，所有的量子密码协议的噪声干扰如果跟有窃听者存在所带来的噪声没有差别[1]，通信连路是无法建立起来的；二是自由空间量子信道的传输特性问题。不同地面环境对光子传播的影响，包括大气衰减和退极化效应。4.总结

如上所述，近年来量子通信由于其安全性引起了研究人员广泛地兴趣，目前在实验领域取得了一系列进展，其中量子态的隐形传输，量子网络等技术正逐步走向实用。正是因为量子拥有广袤的实用前景，各国均在量子通信技术方面加大科研投入。但是在降低单光子源成本、加大通信传输距离、增强检测概率等一些关键性问题上还需要进一步研究。本文主要阐述了空间量子通信技术的产生、基本原理、发展历程和现状，并对空间量子通信技术存在的问题和难点进行了介绍。笔者相信，随着科学技术的发展，量子通信技术实用化、商用化指日可待。

参考文献

[1]阎毅.自由空间量子通信若干问题研究[J].西安电子科技大学，2009.

[2]CZ Peng，T Yang，et al.Experimental free-space distribution of entangled photon pairs over 13km：towards satellite-based global quantum communication[J].PhysicalReviewLetters，2005（94）.

[3]金贤敏.远程量子通信的实验研究[J].中国科学技术大学学报，2008.

[4]C.H.Bennett and G.Brassard，in Proc.IEEE Int.Conf.on Computers，Systems and Signal Processing Bangalore，India，pp.175-179.

[5]C.H.Bennett，Quantum cryptography using any two nonorthogonal states.Phys.Rev.Lett.68：3121-3124，1992.

[6]Bostrom K，Felbinger T.Deterministic Secure Direct Communication Using Entanglement[J].Phys Rev Lett，2002，89（18）：187-902.

[7]何玲燕，王川.量子通信原理及进展概述[J].中国电子科学研究院学报，2012，7（5）：466-471.

[8]Richard J Hughes，Jane E Nordholt et al.Practical Free-Space Quantum Key Distribution over 10km in Daylight and at Night[J].New Journal of Physics，2002（4）.

[9]RarityJ G，Gorman P M，et al.Secure Key Exchanger Over 1.9km Free-Space Range Using Quantum Crypto-graphy[J].Electronics Letters，2001，37（8）：512-514.

第7篇：量子计算的特性范文

全球著名的密码专家、EMC技术总裁办公室全球创新网络高级总监Burt Kaliski 博士

Burt Kaliski 博士是全球著名的密码学专家,1991年帮助建立了RSA实验室,领导了公钥密码标准(PKCS)的制定。2006年,EMC公司收购RSA公司后,他作为关键人才之一加盟EMC公司,目前,他领导着EMC全球创新网络。记者就有关密码技术研究的相关问题对他进行了专访。

记者: 量子密码技术一直很热,由于它采用光学原理,借助光量子一次传输并很难复原的特性,加密双方进行密钥协商,一旦光量子被黑客截取,接收方就能知道; 并且,截取的光量子很难复原,因此,无论黑客的计算机速度有多快,量子加密都无法被破解,因此,它被认为是不可破解的加密技术,请问您如何看待这一加密技术。

Burt Kaliski: 你问对了人,我是全球比较了解量子密码技术的人,早在本世纪初,我就是全球第一家提供量子密码技术的厂商的顾问。你说的确实对,从加密原理和算法上看,量子加密确实无法被破解,它的主要长处就在于任何人如果试图破解它都能被检测出来。但是, 一种加密方法能否商用,还要看它的物理特性。天下没有免费的午餐,一件东西太好,就会增加额外的成本。量子加密也不例外,它增加的是额外的物理成本。它采用的传输线路是光纤,只能从一个点到另一个点; 并且,其传输距离也有限制,它的最长距离限制大概是100公里,所以我们必须一段一段把线路保护起来,而且每一个中间的部分还必须要用额外的物理保护,这就极大增加了物理成本。否则,如果黑客从物理上攻击,量子加密同样会被攻破。

正因为如此,刚开始时,RSA公司曾经想收购那家提供量子密码技术的公司,但最终放弃了收购。

记者: 请问,国际密码研究现在有什么进展?现在您研究的一些最新的密码技术,哪些进入到RSA产品线中应用起来了?

Burt Kaliski: 密码算法当然是密钥越长越难以破解。但总体而言,128位的算法,采用当今的计算机是无法破解的。按照今天的计算速度,不要说128位,就是80位的加密算法,也很难破解。摩尔定律说计算机的速度每18个月要翻一番,但密钥只需要加一位就足以应对。

密码技术研究只是信息安全技术的基础,当你设计一个加密系统的时候,必须要考虑各种攻击的可能性,有的是数学方面的,有的是现实方面的,比如目前的计算能力。因此,目前全球的许多信息安全设备中使用的一些算法,都是很久以前就研究出来的,足以应对当前的安全形势,相当长的时间内不会被置换掉。

这些是加密技术的数学性质,但事实上,很可能有一些物理方面的攻击,比如打开硬件设备,将密码替换掉等等。由于这些原因,如果需要保护一些更重要的应用,应该找到更强的加密方法。

因此,我的建议是: 一密钥越长越好,二不仅采用一种加密算法,可以采用多种加密算法,三对于特殊需求,可加上更多物理方面的保护。

记者: 您现在领导的EMC全球创新网络是什么意思?有何意义?目前正在研究哪些前瞻性的技术?

Burt Kaliski: 我到了EMC公司后,研究领域进一步扩展,除了密码技术外,还进一步研究信息整合、信息管理。

EMC创新网络是两年前由EMC首席技术官Jeff Nick领导创立的,主要方法是,项目研究人员可利用电话会议和社交媒体工具向分布于全球的同事们传播知识。这是在21世纪,公司进行项目研究的非常棒的做法。创新网络计划遵循一个简单的模式: “在当地拓展知识,向全球传播知识。”

第8篇：量子计算的特性范文

应用于增量式光电编码器的相关自适应滤波方法??

超二代微光像增强器Na2KSb(Cs)多碱光电阴极荧光谱研究??

电光双稳态系统的混沌特性分析??

利用交叉克尔效应制备六光子纠缠态?

非线性光学腔中的相位调制光机械动力学??

超高速摄影仪转镜运转可靠性数值与实验分析??

含耐高温涂覆层长周期光纤光栅的温度特性研究?

基于最小二乘支持向量机回归的背景偏振光谱二向反射分布建模分析?

基于紫外光诱导血浆的三维同步荧光光谱共振能量转移及能量再吸收的分析

单晶硅表面金字塔生长过程的实验研究??

微喇曼和红外光谱法研究化学气相沉积金刚石多晶膜结晶质量特性

平面光栅支撑结构设计及其面形分析计算

中波红外景象投影光学系统消热差设计??

高精度物镜波纹管致动器的线性度分析

基于同步载波提取的光纤传感器相位生成载波解调方法??

反射式光学电压互感器光路建模及偏振误差分析??

一种改进型视角投影图像彩色计算全息术的三维重构算法??

基于梯度和运动估计的视频质量评价?

多尺度无监督彩色图像分割??

一种多尺度边缘测度融合加权HD算法

基于强度传输方程的相位检索??

基于改进光线投影算法的混凝土CT三维重建研究?

抗亮度和对比度调整的盲鲁棒量化水印算法

液体中光击穿所激发声场的理论研究??

基于FournierForand体积散射函数的水中激光脉冲后向散射特性分析模型??

基于古斯-汉欣位移效应的波长传感研究??

用于触摸屏的带有微结构的导光管的设计??

基于slot波导的硅基长波红外偏振无关定向耦合器分析??

磁镜阵列像增强器的调制传递函数研究??

亚单层黄色有机发光器件制备与光电性能研究?

半导体纳米颗粒电子的超快弛豫过程

环境温度对纳米磁流体场诱导光学双折射的影响??

不同泵浦光下Nd:GdVO4晶体输出特性??

啁啾超短激光脉冲对二能级体系特性的调控??

LD侧面抽运Nd:YAP腔内三倍频蓝光激光器??

660nm单一波长Nd:YAG陶瓷激光器??

300～1100nm宽波段光学系统设计??

双谱段全景电晕探测光学系统

子孔径布局对拼接光学系统像质的影响?

基于梯度折射率透镜的管道内窥镜设计??

基于光子晶体异质结的高效太阳能电池反射器研究?

利用冲击波作用光子晶体产生蓝光的研究??

二维高效光子晶体偏振分束器

量子隐形传态的类簇态信道方案

两量子位Grover量子算法NMR脉冲序列参量的研究??

脉冲激光作用下的量子定位实验方案的设计及分析??

BR-D96N薄膜共线全息图像存储实验研究??

基于空间光调制器的多层图像的构建与可视化??

基于互信息的高动态范围成像系统成像质量分析??

一种背景误差累积的高光谱图像异常检测算法??

基于液体的电控光学成像系统??

微小孔非傍轴衍射光束传输特性的研究?

平顶高斯光束经含失调圆孔光阑的失调光学系统的传输特性??

大气信道对垂直发收模式紫外光散射通信性能影响的仿真??

应用耦合模理论研究光在圆对称双包层光纤中的传输??

磁光光纤中光脉冲的非线性传播特性研究??

含分压电阻的光折变屏蔽光伏空间灰孤子??

第9篇：量子计算的特性范文

为降低神经网络的冗余连接及不必要的计算代价，将量子免疫克隆算法应用于神经网络的优化过程，通过产生具有稀疏度的权值来优化神经网络结构。算法能够有效删除神经网络中的冗余连接和隐层节点，并同时提高神经网络的学习效率、函数逼近精度和泛化能力。该算法已应用于秦始皇帝陵博物院野外文物安防系统。经实际检验，算法提高了目标分类概率，降低了误报率。

关键词：神经网络；量子免疫克隆算法；目标分类；冗余连接；网络优化

中图分类号： TP273

文献标志码：A

Quantum-inspired clonal algorithm based method for optimizing neural networks

Abstract：

In order to reduce the redundant connections and unnecessary computing cost， quantum-inspired clonal algorithm was applied to optimize neural networks. By generating neural network weights which have certain sparse ratio， the algorithm not only effectively removed redundant neural network connections and hidden layer nodes， but also improved the learning efficiency of neural network， the approximation of function accuracy and generalization ability. This method had been applied to wild relics security system of Emperor Qinshihuangs mausoleum site museum， and the results show that the method can raise the probability of target classification and reduce the false alarm rate.

Key words：

neural network； quantum-inspired clonal algorithm； target classification； redundant connection； network optimization

0 引言

神经网络已经被广泛地应用于模式分类、函数逼近、信号预测等各种领域，是近年来的研究热点之一[1-2]。在应用过程中，研究人员发现，当神经网络的规模过大会产生连接数量冗余大、计算代价过高的问题，降低了大规模神经网络的实用性。针对此问题，研究人员提出了多种方法在保持神经网络的前提下优化神经网络的结构和参数权值。Leung等[3-4]改进了传统的遗传算法（Genetic Algorithm， GA）并将其应用于神经网络的结构和权值优化过程，利用遗传算法的快速收敛性来提高神经网络的学习速度，其缺点在于当目标函数维数过大时容易陷入局部最优。Xiao等[5]使用混合优点（Hybrid Good Point， HGP）优化前向神经网络的参数和结构，避免权值陷入局部最优，但其对网络结构的优化没有达到最优。Shu等[6]提出正交模拟褪火（Orthogonal Simulated Annealing， OSA）算法， 使用褪火算法和正交算法的优点来同时优化神经网络结构和参数，其算法收敛速度快、鲁棒性好，缺点则在于计算代价较大。杜文莉等[7]提出了使用量子差分进化（Cooperative Quantum Differential Evolution， CQGADE）算法来优化神经网络权值，使用量子遗传算法优化网络结构和隐层节点数，算法综合了量子遗传算法和量子差分算法的优点，收敛速度快，但其缺点在于需要同时协同两种算法的优化结果，算法复杂度较高，且容易陷入局部最优。Tsai等[8]提出混合田口遗传算法（Hybrid Taguchi Genetic Algorithm， HTGA），将传统的GA与Taguchi方法结合起来，使得算法具有鲁棒性好、收敛性快等优点，但其缺点在于获得最优解的计算代价较大。

量子免疫克隆算法[9-12]（Quantum-inspired Immune Clonal Algorithm， QICA）也称为量子遗传算法（Quantum Genetic Algorithm， QGA），其将量子搜索机制和免疫算法克隆选择原理相结合，利用量子编码的叠加性和随机性构造抗体，利用遗传算法的克隆操作产生原始种群和克隆子群实现种群扩张，使搜索空间扩大，提高了局部搜索能力；同时借助全干扰交叉操作避免陷入局部最优。QICA采用了多状态量子比特编码方式和通用的量子旋转门操作， 引入动态调整旋转角机制和量子交叉[11]。QICA在组合优化问题中具有良好的表现。

针对上述问题，提出了使用量子克隆免疫算法对神经网络的结构和连接权值同时进行优化，通过产生具有一定稀疏度的连接权值对网络隐层数量和连接权值进行优化，提高了算法的效率和收敛速度，避免了算法陷入局部最优。

1 带开关权值的神经网络模型

在经典的神经网络理论中，网络结构在初始化后便不再变动，仅通过权值的变化来计算产生结果，这种算法增加了神经网络的结构复杂性，在实际应用中增加了计算结果的代价。Leung等[3-4]提出了带开关权值的神经网络，通过调整开关的通断就能调整神经网络的结构和连接数量，从而减少计算代价。带开关权值的神经网络模型如图1所示[7]。

2.2 权值计算及优化方法

根据量子克隆免疫理论，将神经网络权值计算及优化过程分为以下四个过程。

2.2.1 权值抗体初始化

量子克隆免疫算法是基于量子计算和遗传算法组成的，其抗体的编码方式采用量子比特编码。一个抗体中的量子位的状态是不确定的，可以为0或1，其状态表示为式（5）：

3.1 算法复杂度分析

量子克隆免疫算法的实质是通过量子理论的随机特性提供丰富的种群数量，并通过使用遗传算法对种群进行淘汰和进化，因此其算法的复杂度等于种群生成算法的复杂度：假设神经网络有x个输入，其隐层节点数量为N，输出为y，则网络中的输入与隐层节点间的连接权值ω的数量为：x*N，隐层节点与输出层的连接权值v的数量为：N*y。种群生成需要对所有节点进行权值初始化，并将随机位置的n（nN）个节点的权值设置为0， 其算法复杂度为O（n2）。而克隆免疫算法在种群克隆及抗体选择过程中使用遗传算法，因此其算法的复杂度与传统遗传算法相同，其算法复杂度也为O（n2）。因此，使用量子免疫克隆的神经网络优化算法的复杂度为O（n2）。

3.2 非线性函数逼近

选取复杂交互非线性函数（Complicated Interaction Function，CIF）：

其中0

选取样本700组，其中500组用于训练，其余200组用于检测性能。神经网络的初始隐层神经元设置为20个，初始网络结构为：2-20-1，初始连接权值为随机值。在此条件下验证不同稀疏度条件下对CIF的二维逼近效果如图3所示。

图3显示随着稀疏度的不断降低，神经网络的逼近能力有所减弱，逼近误差则逐渐增大。这主要是因为神经网络中的连接权值数量降低，造成神经网络的适应性差。具体逼近效果见表2。

从表2中可以看出，隐层节点数量直接影响着神经网络的性能。高稀疏度条件下的计算量大，但逼近精度高；低稀疏度条件下的计算量小，但逼近精度较差。实验表明当稀疏度大于0.6时，算法的逼近精度高于90%，优化后的网络具有较好的非线性逼近能力。当神经网络隐层节点数量低于12时逼近精度大幅下降，说明此时神经网络处理信息的能力也随之大幅减弱，隐层节点的最合适的数量为12～14个，这也符合文献[14]的实验结果。

图4为不同稀疏度下，算法适应度的收敛情况。可以看出量子克隆免疫算法具有很好的收敛特性，算法收敛速度很快，能够在很短的进化次数内收敛至极值，且稀疏度越低，神经网络的连接权值数量越少，算法收敛速度越低，最优适应度越差。

表3为相同条件下，不同算法的最优计算结果，包括目标分类的准确度、隐藏层节点数量等。可以看出，当稀疏度高于0.8时，本文算法收敛性和适应度均优于混沌粒子群（Chaotic Particle Swarm Optimization，CPSO）[15]、粒子群优化算法（Particle Swarm Optimization，PSO）[16]、混合田口遗传算法[Hybrid Taguchi-Genetic Algorithm，HTGA][8]等其他算法，说明算法具有很好的收敛速度、寻优精度和鲁棒性。

3.3 微地震信号目标分类

实验场地选择在秦始皇兵马俑博物馆内K9901号坑旁。所有传感器节点沿公路一侧直线部署，距离公路1m左右。可能产生地震波的活动物体包括人员行走、机动车和挖掘活动。将采集到的微地震信号进行滤波、分帧、特征提取等处理后输入至神经网络进行模式识别。

系统对传感器采集到的数据进行分帧，并使用功率谱二次分析[17]算法对其进行处理，最后将经过预处理的数据输入至神经网络对其进行分类。根据其活动特点，将输出目标分为三类：人员活动、挖掘活动以及机动车辆活动。传感器采集到的三类活动的经典波形如图5所示。

表6中给出了算法的最优计算结果，包括不同稀疏度条件下神经网络的隐藏层节点数量、最优适应度以及分类准确率等。可以看出，算法能够有效减少冗余的隐藏层节点数量，并降低节点连接数量。算法的稀疏度越高，其适应度越好，其分类的准确性越好，但稀疏度高带来的则是计算代价增大、计算复杂度增加。当稀疏度低于0.7时，算法的适应度变差，目标的识别率为90%，在实际应用过程中带来了误判率较高的问题，降低了实用性。因此在秦始皇帝陵博物院野外文物安防系统中使用了稀疏度为0.7的算法对模式识别的神经网络进行优化。

4 结语

本文提出了基于量子免疫克隆算法的神经网络优化算法，该算法在训练神经网络优化权值的同时删除了冗余连接和多余的隐层节点，实现了神经网络结构和网络权值的优化。通过经典非线性函数逼近和目标识别检验，算法能够有效地优化神经网络，提高神经网络的优化效率，减少计算复杂度。使用优化后的神经网络已经用于秦始皇帝陵博物院野外文物安防系统中。

参考文献：

[1] QIAO H， ZHOU Y，SHAO N， et al. Software reliability prediction based on learning vector quantization neutral network[J]. Journal of Computer Applications， 2012，32（05）：1436-1438.）（乔辉，周雁舟，邵楠，等.基于学习向量量化神经网络的软件可靠性预测[J].计算机应用，2012，32（5）：1436-1438.）

[2] PAN Y， DENG Y， ZHANG Q， et al. Deterministic prediction of wavelet neural network model and its application[J]. Journal of Computer Applications，2013， 33（4）：1001-1005.（潘玉民，邓永红，张全柱，等.小波神经网络模型的确定性预测及应用[J].计算机应用，2013，33（4）：1001-1005.）

[3] LEUNG H F，LAM H F， LING S F， et al. Tuning of the structure and parameters of neural network using an improved genetic algorithm[C]// Proceedings of the 27th Annual Conference of IEEE Industrial Electronics Society. Piscataway： IEEE，2001：25-30.

[4] LEUNG H F， LAM H F， LING S H， et al. Tuning of the structure and parameters of a neural network using an improved genetic algorithm[J]. IEEE Transactions on Neural Network，2003，14（1）：79-88.

[5] XIAO C， CAI Z， WANG Y， et al. Tuning of the structure and parameters of a neural network using a good points set evolutionary strategy[C]// Proceedings of the 9th International Conference for Young Computer Scientists. Piscataway： IEEE， 2008：1749-1754.

[6] SHU L， HO S Y， HO S J. Tuning the structure and parameters of a neural network using an orthogonal simulated annealing algorithm[C]// Proceedings of the 2009 Joint Conferences on Pervasive Computing. Piscataway： IEEE，2009：789-792.

[7] DU W， ZHOU R， ZHOU L， et al. Cooperative quantum differential evolution algorithm based method for optimizing neural networks[J].Journal of Tsinghua University： Science and Technology， 2012，52（3）：331-335.（杜文莉，周仁，赵亮，等. 基于量子差分进化算法的神经网络优化方法[J].清华大学学报：自然科学版，2012，52（3）：331-335.）

[8] TSAI J， CHOU J， LIU T. Tuning the structure and parameters of a neural network by using hybrid Taguchi-genetic algorithm[J]. IEEE Transactions on Neural Network， 2006，17（1）：69-80.

[9] LI Y， JIAO L. Quantum-inspired immune clonal algorithm and its application[C]// Proceedings of the 2007 International Symposium on Intelligent Signal Processing and Communication Systems. Piscataway： IEEE， 2007：670-673.

[10] JIAO L， LI Y， GONG M，et al. Quantum-inspired immune clonal algorithm for global optimization[J]. IEEE Transactions on Systems， Man and Cybernetics， Part B： Cybernetics， 2008，38（5）：1234-1253.

[11] ZHOU C， QIAN F. Improvement of quantum genetic algorithm and its application[J]. Journal of Computer Applications， 2008，28（2）：286-288.（周传华，钱峰.改进量子遗传算法及其应用[J].计算机应用， 2008，28（2）：286-288）

[12] ZHOU Q， JIANG S， ZHAO X， et al. Improved quantum genetic algorithm and its application in test data generation[J]. Journal of Computer Applications，2012，32（2）：557-560.（周绮，姜淑娟，赵雪峰，等.改进的量子遗传算法及其在测试数据生成中的应用[J].计算机应用，2012，32（2）：557-560.）

[13] QIAO J，LEE Y G， SCOTT D S， et al. Self-organizing radial basis function network for real-time approximation of continuous-time dynamical systems[J]. IEEE Transactions on Neural Networks，2008，19（3）：460-474.

[14] HAN H， QIAO J， BO Y， et al. On structure design for RBF neural network based on information strength[J]. Acta Automatica Sinica， 2012，38（7）：1083-1090.（韩红桂，乔俊飞，薄迎春，等.基于信息强度的RBF神经网络结构设计研究[J].自动化学报， 2012，38（7）：1083-1090.）

[15] ZHAO L. Fuzzy identification and neural networks learning based on cooperative PSO algorithm[D]. Shanghai： Shanghai Jiao Tong University，2008.（赵亮.基于协同PSO算法的模糊辨识与神经网络学习[D].上海：上海交通大学，2008.）