1.3　量子神经网络及其应用

量子神经网络（参数化量子线路）与经典神经网络一样可以进行学习，一种显而易见的做法是将它们融合。混合了量子神经网络的经典深度学习算法往往具有更少的参数，并且在学习过程中能更快地收敛至稳定状态。

Deep Quantum框架按照这一逻辑对当前各个领域最先进的深度学习算法进行了优化，融入了量子神经网络模块。在自然语言处理（NLP）领域，经典门控循环单元（Gated Recurrent Unit，GRU）的线性变换层被参数化量子线路替代，Transformer的打分、加权、求和机制已经使用参数化量子线路实现。在计算机视觉领域，经典的循环神经网络（CNN）中的卷积核也可以由量子线路近似；经典生成对抗网络（GAN）中的判别器被参数化量子线路替换，使GAN的训练更加稳定。在材料领域，强化学习环境的搭建需要考虑量子效应，量子强化学习可以很好地解决这一问题。

本书将给出一些生物医药、新材料领域量子人工智能融合算法的具体应用。2019年年末新型冠状病毒感染疫情爆发，大大阻碍了经济的发展，影响了每个人的生活。量子GAN可以识别病毒变异位点，预测病毒变异方向，做到未雨绸缪。同时，量子GRU能够有效地捕获病毒RNA序列的依赖关系，为制造易储存、易运输的mRNA疫苗提供指导。上班族每天工作非常忙碌，加上生活的压力也很大，出现焦虑也是比较常见的，因为这些问题导致的睡眠质量不好，会严重影响身体健康。基于量子Transformer的模型可以被用来处理睡眠产生的脑电图和心电图，准确预测深度睡眠时长，提高睡眠质量。量子卷积网络可以分析医疗图像数据，减轻医生的负担，降低看病成本。偶然发现的青霉素在二战期间立下了赫赫战功，将大量伤员从死亡线上拉了回来。量子人工智能可以大大加快新药物的发现，使人类不再依靠运气发现药物。在医药研发产业链条中最重要的一个环节是确定药物分子蛋白质靶点之间的结合位点及亲和力。量子Transformer、量子卷积网络和量子对抗自编码器都可以被应用在亲和力预测任务上。

采用1h癫痫数据对量子Transformer和经典Transformer进行测试，对比如图1-3所示。

图1-3　量子Transformer和经典Transformer对比

对比量子Transformer和经典Transformer，在运行时间上，量子Transformer在25s左右loss收敛平稳，经典Transformer在260s左右loss收敛平稳，量子Transformer比经典Transformer加速了10倍多。