基于特征自适应提取的宽度量子态层析模型

作     者：闫文杰 党东月 

作者机构：河北工业大学人工智能与数据科学学院 

出 版 物：《计算机应用》 (Journal of Computer Applications)

年 卷 期：2024年

学科分类：07[理学] 070201[理学-理论物理] 0702[理学-物理学] 

基　　金：国家自然科学基金青年项目(62201552) 

主　　题：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 

摘      要：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量子态层析模型（FA＿BQST）。首先，FA＿BQST引入了特征自适应提取策略，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对大容量数据进行特征提取。在低维和高维量子态数据的情况下进行了实验，采用平均保真度和运行时间两个性能指标，与模型BQST、D＿QST、C＿QST和U＿QST进行了比较。实验结果表明，在低维量子态小样本情况下，FA＿BQST与最优基线模型BQST相比，提升了1.78个百分点的平均保真度，运行时间相当；在高维量子态大样本情况下，FA＿BQST与最优基线模型U＿QST相比，提升了0.17个百分点的平均保真度，减少了99%的运行时间。证明了FA＿BQST具有自适应提取量子态数据特征和准确、高效重构量子态数据的能力。