{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,3,26]]，“日期-时间”：“2024-03-26T02:23:44Z”，“时间戳”：1711419824808}，“引用-计数”：49，“发布者”：“MDPI AG”，“问题”：“4”，“许可证”：[{“开始”:{“日期-零件”：[2024,3,12]，“日期时间”：03-22T00:00:00Z“，”时间戳“：1711065600000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“资助者”：[{“DOI”：“10.13039\/501100001809”，“name”：“中国自然科学基金会”，“DOI-asserted-by”：“publisher”，“award”：[“62071240”]}，{“name”:“江苏省自然科学基金”，“adward”：[”BK20231142“]}]，”content域“：{”域“：[]，“crossmark-restriction”：false}，“short-container-title”：[“Information”]，“abstract”：“在噪声中等规模量子（NISQ）计算的时代，量子计算模型和经典计算模型之间的协同协作已成为解决复杂计算挑战的一种有希望的解决方案。长短期记忆（LSTM）作为一种流行的序列数据建模网络，其有效性得到了广泛的认可。然而，随着数据和空间特征提取需求的增加，LSTM的训练成本呈指数级增长。在本研究中，我们提出了量子卷积长短期记忆（QConvLSTM）模型。通过巧妙地集成经典卷积LSTM（ConvLSTM）网络和量子变分算法，我们利用变分量子特性和量子态的加速特性来优化模型训练过程。实验验证表明，与各种LSTM变体相比，我们提出的QConvLSTM模型在性能方面优于其他LSTM变体。此外，我们采用分层树状电路设计理念，以增强模型\u2019的并行计算能力，同时减少对量子比特数和电路深度的依赖。此外，变分量子算法中固有的噪声弹性使该模型更适合于NISQ设备上的时空序列建模任务<\/jats:p>“，”DOI“：”10.3390\/info15040175“，”type“：”journal-article“，”created“：{”date-parts“：[[2024,3,25]]，”date-time“：”2024-03-25T16:28:06Z“，”timestamp“：1711384086000}，”page“：10.3390“，“卷”：“15”，“作者”：[{“ORCID”：“http://\/ORCID.org\/0000-0002-4701-9177”，“authenticated-ORCID”：false，“给定”：“泽瑜”，“家族”：“徐”，“序列”：“第一”，“隶属关系”：[}“名称”：“南京信息科技大学软件学院，南京210044，中国”}，{“名称“：”南京信息科技大学计算机科学学院，南京210044“}]}，{“ORCID”：“http://\/ORCID.org\/0000-0003-4786-4036”，“authenticated-ORCID”：false，“given”：”Wenbin“，”family“：”Yu“，”sequence“：”additional“，”affiliation“：[{”name“：”南京信息科技大学软件学院，南京210044江苏省大气环境与设备技术协同创新中心（CICAEET），南京信息科技大学，中国南京210044“}]}，{“ORCID”：“http://\/ORCID.org\/00000-0002-4458-5843”，“authenticated-ORCID”：false，“given”：”Chengjun“，“family”：“Zhang”，“sequence”：“additional”，“affiliation”：[{“name”：“南京信息科技大学计算机学院，南京210044sequence“：”additional“，”affiliation“：[{”name“：”南京信息科技大学计算机科学学院，中国南京210044“}]}]，”member“：”1968“，”published-online“：{”date-parts“：[[2024,3,22]]}，”reference“：[}”key“：”ref_1“，”doi-asserted-by“：”crossref“，“first page”：“1735”，“doi”：“10.1162\/neco.1735”，”article-title“：”长期短期记忆“，”卷“：”9“，”作者“：”Hochreiter“，”年份“：”1997“，”期刊标题“：”神经计算“。“}，{”key“：”ref_2“，”doi-asserted-by“：”crossref“，”unstructured“：”Karpathy，A.和Fei-Fei，L.（2015年1月7日\u201312）。生成图像描述的深度视觉语义对齐。美国马萨诸塞州波士顿IEEE计算机视觉与模式识别会议论文集。“doi”：“10.1109\/CVPR.2015.7298932”}，”key”：“ref_3”，“非结构化”：“Pascanu，R.、Mikolov，T.和Bengio，Y.（2013年1月16日\u201321）。关于训练递归神经网络的困难。第30届机器学习国际会议论文集，美国佐治亚州亚特兰大市，PMLR。“}，{“key”：“ref_4”，“unstructured”：“Sutskever，I.，Vinyals，O.，and Le，Q.V.（2014年1月8日\u201313）。神经网络的序列到序列学习。神经信息处理系统进展论文集27（NIPS 2014）加拿大魁北克省蒙特利尔市。}，{“key”：“ref_5”，“unstructured”：“Bengio，Y.，Goodfellow，I.和Courville，A.（2015）。深度学习，麻省理工学院出版社。”}，}，“key“：”ref_6“，”unstructure“：”Srivastava，N.，Mansimov，E.和Salakhudinov，R.（2015年1月6日\u201311）.使用lstms进行视频表示的无监督学习。第32届机器学习国际会议记录，PMLR，法国里尔。“}，{”key“：”ref_7“，”unstructured“：”Xu，K.，Ba，J.，Kiros，R.，Cho，K.、Courville，A.，Salakhudinov，R.和Bengio，Y.（2015年1月6日\u201311）。展示、出席和讲述：视觉注意力下的神经图像字幕生成。法国里尔第32届国际机器学习会议论文集。“}”，{“key”：“ref_8”，“doi-asserted-by”：“”crossref“，”first page“：”1333“，”DOI“：”10.1109\/72.963769“，”article-title“：”LSTM递归网络学习简单的无上下文和上下文敏感语言“，”volume“：“12”，”author“：”Gers“，”year“：”2001“，”journal-title”：“IEEE Trans。神经网络。“｝，｛”key“：”ref_9“，”首页“：”48“，”文章标题“：”使用lstm递归神经网络的音乐创作第一眼“，”卷“：”103“，”作者“：”Eck“，”年份“：”2002“，”期刊标题“：”Ist.Dalle-Molle Studi Sull Intell.Artif.“｝，｛”key“：”ref_10“，”doi断言“：”crossref“，”非结构化“：”Wang，S.，and Jiang，J.（2015）.使用LSTM学习自然语言推理。arXiv公司。“，”DOI“：”10.18653\/v1\/N16-1170“}，{”key“：”ref_11“，”DOI-asserted-by“：”crossref“，”first page“：“70”，“DOI”：“10.1016\/j.neunet.2011.07.003”，“article-title”：“二阶递归神经网络的广义类LSTM训练算法”，“volume”：“25”，“author”：“Monner”，“year”：“2012”，“journal-title“：”neural Netw.“}”，{“key”：”ref_12“，”非结构化“：”Krause，B.、Lu，L.、Murray，I.和Renals，S.（2016）。用于序列建模的乘法LSTM。arXiv公司。“｝，｛”key“：”ref_13“，”doi asserted by“：”crossref“，”非结构化“：”Chen，Q.，Zhu，X.，Ling，Z.，Wei，S.，Jiang，H.，and Inkpen，D.（2016）。用于自然语言推理的增强LSTM。arXiv.“，”doi“：”10.18653\/v1\/P7-1152“｝，｛”key“：”ref_14“，”doi asserted by“：”crossref“，”非结构化“：”Cao，Z.，Zhu，Y.，Sun，Z.、Wang，M.、Zheng，Y.、Xiong，P.和Tian，L.（2018年1月21日\u201323）。提高飞机测试飞行数据LSTM网络模型的预测精度。2018 IEEE智能云（SmartCloud）国际会议论文集，美国纽约州纽约市。”，“DOI”：“10.1109\/SmartCloud.2018.00010”}，{“key”：“ref_15”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wang，Y.，Zhu，S.，and Li，C.（2019年1月18日\u201320）基于LSTM的多步时间序列预测研究。2019年第三届电子信息技术与计算机工程国际会议论文集，中国厦门。“，”DOI“：”10.1109\/EITCE47263.2019.9095044“}，{”key“：”ref_16“，”unstructured“：”Edholm，G.，and Zuo，X.（2018）。《传统LSTM网络与Agrid LSTM网络在语音识别中的应用比较》，KTH皇家理工学院article-title“：《量子机器学习导论》，“卷”：“56”，“作者”：“Schuld”，“年份”：“2015年”，“期刊标题”：“Consemp”。物理学。“}，{”key“：”ref_18“，”unstructured“：”Lloyd，S.，Mohseni，M.，and Rebentrost，P.（2013）.监督和非监督机器学习的量子算法.arXiv.“}”，{“key”：“ref_19”，“first page”：”11“，”article-title“：”量子和经典机器学习性能的比较“，”volume“：“1”，“author”：“Havenstein”，“year”：“2018”，“journal-title“：”SMU数据科学。Rev.“｝，｛”key“：”ref_20“，”doi asserted by“：”crossref“，”nonstructured“：”Chen，S.Y.C.，Yoo，S.，and Fang，Y.L.L.（2022年1月23日\u201327）。量子长短期记忆。ICASSP 2022\u20142022 IEEE声学、语音和信号处理国际会议论文集，新加坡。“，”doi“：”10.1109\/ICSP43922.2022.9747369“｝，｛”key”：“ref_21”，“doi asserted by”：“crossref”，“unstructured”：“Yulita，I.N.，Purwani，S.，Rosadi，R.和Awangga，R.M.（2017年1月16日\u201318）。睡眠阶段检测中长短期记忆的深信度网络量化。2017年先进信息学、概念、理论和应用国际会议论文集，印度尼西亚登巴萨。“，”DOI“：”10.1109\/ICAICTA.2017.80999“}，{”key“：”ref_22“，”unstructured“：”Khan，S.Z.，Muzammil，N.，Zaidi，S.M.H.，Aljohani，A.J.，Khan，H.，and Ghafoor，S.（2023）。时间序列预测中量子长短期记忆（qlstm）与经典lstm：太阳能预测的比较研究。arXiv.“}”，{“key”：“ref_23”，“unstructure”：“”Nielsen，M.A.和Chuang，I.L.（2010年）。《量子计算与量子信息》，剑桥大学出版社。“}，{”key“：”ref_24“，”doi-asserted-by“：”crossref“，”first page“：“325”，”doi“：”10.1146 \/annurev-conmatphys-031119-050651“，”article-title“：”NISQ时代的机器学习量子态“，”volume“:”11“，”author“：”Torlai“，“year”：“2020”，“journal-title”：“Annul.Rev.Condens.Matter Phys.”}，”{“key”：“ref_25”，“doi-assert-by“：”crossref“，”首页“：”250302“，“DOI“：”10.1007\/s11433-022-2057-y“，”article-title“：”近项量子计算技术：变分量子算法、误差缓解、电路编译、基准测试和经典模拟“，”卷“：”66“，”作者“：”黄“，”年份“：”2023“，”期刊标题“：”科学。中国物理。机械。阿童木。“}，{”key“：”ref_26“，”doi-asserted-by“：”crossref“，”first-page“：”625“，”doi“：”10.1038\/s42254-021-00348-9“，“article-title”：“变分量子算法”，“volume”：“3”，“author”：“Cerezo”，“year”：“2021”，“journal-title“：”Nat.Rev.Phys.“}”，{“key”：“010301”，“doi”：“10.1103\/PhysRevA.101.010301”，“article-title“：“非线性问题的变分量子算法”，“volume”：“101”，“author”：“Lubasch”，“year”：“2020”，“journal-title”：“Phys。Rev.A“}，{”key“：”ref_28“，”doi-asserted-by“：”crossref“，”first page“：“062304”，”doi“：”10.1103\/PhysRevA.99.062304“，”article-title“：”Variation quantum algorithms for discovery Hamilton spectres“，”volume“：：”99“，”author“：”Jones“，”year“2019”，”journal-title”：“Phys.Rev.A”}，”{“key”：“ref_29”，“doi-assert-by”：“Crosref”，“首页”：“062322”，“doi”：“10.1103\/PhysRevA.101.06322”，“文章标题”：“变分量子算法中的测量约简”，“卷”：“101”，“作者”：“Zhao”，“年”：“2020”，“期刊标题”：“Phys。Rev.A“}，{”key“：”ref_30“，”doi-asserted-by“：”crossref“，”first page“：“032407”，”doi“：”10.1103\/PhysRevA.107.032407“，”article-title“：”变分量子算法优化方法的性能比较“，”volume“：，“非结构化”：“Sakib，S.N.（2023）。SM Nazmuz Sakib\u2019s用于降雨量预测的量子LSTM模型，OSF预印本。“，”DOI“：”10.31219\/osf.io\/79wxt“}，{“key”：“ref_32”，“unstructured”：“Beaudoin，C.，Kundu，S.，Topaloglu，R.O.，and Ghosh，S.（11月，1月30日）。材料合成和硬件安全的量子机学习。第41届IEEE\/ACM计算机辅助设计国际会议论文集，美国加利福尼亚州圣地亚哥”}doi-asserted-by“：”crossref“，”unstructured“：”Parcollet，T.，Morchid，M.，Linar\u00e8s，G.，and De Mori，R.（2019年1月12日\u201317）。用于语音识别的双向四元数长短记忆递归神经网络。2019年IEEE声学、语音和信号处理国际会议（ICASSP 2019）会议记录，英国布莱顿。“，”DOI“：”10.1109\/ICASSP.2019.8683583“}，{“key”：“ref_34”，“unstructured”：“Shi，X.，Chen，Z.，Wang，H.，Yeung，D.Y.，Wong，W.K.，and Woo，W.C.（2015）。神经信息处理系统进展，Curran Associates Inc.”}，{“key”：“ref_35”，“doi-asserted-by”：“crossref”，“unstructured”：“Mateo-Garc\u00eda，G.，Adsuara，J.E.，P\u00e9rez-Suay，A.，and G\u00f3mez-Chova，L.（8月，1月28日）。用于地标上多时间云检测的卷积长短期内存网络。2019年IEEE国际地球科学与遥感研讨会论文集（IGARSS 2019），日本横滨。“，”DOI“：”10.1109\/IGARSS.2019.8897832“}，{”key“：”ref_36“，”DOI-asserted-by“：”crossref“，”first page“：“e13072”，“DOI”：“10.1002\/2050-7038.13072”，”article-title“：”使用基于自动编码器的卷积长短期记忆网络进行风速预测的新型混合框架“，”volume“：。事务处理。选举人。能源系统。“}，{”key“：”ref_37“，”doi-asserted-by“：”crossref“，”unstructured“：”Sudhakaran，S.和Lanz，O.（9月，1月29日）。学习使用卷积长短期记忆检测暴力视频。2017年第14届IEEE高级视频和信号监控国际会议论文集，意大利莱切。“，”doi“：”10.1109\/AVSS.2017.8078468“｝，｛“key”：“ref_38”，“doi asserted by”：“crossref”，“首页”：“826”，“doi”：“10.1109\/TLA.20219.448317”，“文章标题”：“用于信息访问请求文本分类的卷积神经网络和长短期记忆网络”，“卷”：“19”，“作者”：“Paiva”，“年份”：“2021”，“期刊标题”：“IEEE Lat.Am”。事务处理。“}，{”key“：”ref_39“，”unstructured“：”Gandhi，U.D.，Malarvizhi Kumar，P.，Chandra Babu，G.，and Karthick，G.（2021）.Wireless Personal Communications，Springer“}”，{“key”：“ref_40”，“doi-asserted-by”：“crossref”，“first page”：”032420“，”doi“：”10.1103\/PhysRevA.102.032420“，”“article-title“：”量子分类器的稳健数据编码“，”卷“：”102“，”作者：“LaRose”，“年份”：“2020年”，“新闻标题”：“物理学”。Rev.A“}，{”key“：”ref_41“，”doi-asserted-by“：”crossref“，”first page“：“128587”，”doi“：”10.1016\/j.physa.2023.128587“，”article-title“：”视觉跟踪的新量子算法“，”volume“：“：”crossref“，”first page“：”129287“，”doi“：”10.1016\/j.optcom.2023.129287“，“article-title”：“基于混合量子\u2013经典卷积神经网络的图像分类和对抗稳健性分析”，“volume”：“533”，“author”：“Huang”，“year”：“2023”，《journal-title》：“Opt。Commun公司。“}，{”key“：”ref_43“，”doi-asserted-by“：”crossref“，”first page“：“300”，”doi“：”10.1007\/s11128-023-04051-9“，“article-title”：“深度强化学习的有效且可扩展的变分量子电路方法”，“volume”：“22”，“author”：“Bar”，“year”：“2023”，“journal-title“：”quantum Inf.Process非结构化“：”Kim，R.（2023）。利用变分量子电路实现混合量子经典神经网络用于痴呆检测。arXiv公司。“，”DOI“：”10.1109\/QCE57702.2023.102231“}，{”key“：”ref_45“，”DOI-asserted-by“：”crossref“，”first page“：“129993”，“DOI”：“10.1016\/j.optcom.2023.129993“，”article-title“：“基于变分量子电路的量子卷积神经网络”，“volume”：“550”，“author”：“Gong”，“year”：“2024”，“journal-title”：“Opt.Commun.”}，”{“key”：“ref_46”，“DOI-asserted-by”：“crossref“，”first page“：”2150360“，”DOI“：”10.1142\/S0217984921503607“，”article-title“：”噪声环境下量子图像学习和加载的量子生成对抗网络“，”volume“：“35”，”author“：”Ren“，”year“：”2021“，”journal-title”：“Mod。物理学。莱特。B“｝，｛“key”：“ref_47”，“非结构化”：“误差，M.S.（2010）。均方误差，Springer。”｝，｛“key”：“ref_48”，“非结构化”：“Jia，X.，De Brabandere，B.，Tuytelaars，T.，and Gool，L.V.（2016年1月5日\u201310）。动态滤波网络。神经信息处理系统进展论文集29（NIPS 2016），西班牙巴塞罗那。”｝，｛“key”：“ref_49“，”doi-asserted-by“：”crossref“，”unstructured“：”Ronneberger，O.，Fischer，P.，and Brox，T.（2015年1月5日\u20139）。U-net：生物医学图像分割的卷积网络。《医学图像计算和计算机辅助干预国际会议论文集》，德国慕尼黑。“，”DOI“：”10.1007\/978-3-319-24574-4_28“}]，”container-title“：[”Information“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/www.mdpi.com\/2078-2489\/15\/4\/175\/pdf“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]“，”deposed“：{”date-parts“：[2024,3,25]]，“日期时间”：“2024-03-25T17:30:30Z“，”timestamp“：1711387830000}，”score“：1，”resource“：{”primary”：{“URL”：“https:\\/www.mdpi.com\/2078-2489\/15\/4\/175”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-parts”：[2024,3,22]]]}，《references-count》：49，“journal-sissue”：{-“issue”：“4”，“published-on-line”：}“date-parts”rts“：[[2024,4]]}}，”alternative-id“：[”info15040175“]，”URL“：”http:\/\/dx.doi.org\/10.3390\/info15040175“，”关系“：{}，”ISSN“：[”2078-2489“]，”ISSN-type“：[{”值“：”2078-2589“，”类型“：”电子“}]，”主题“：[]，”发布“：{”日期部分“：[2024,3,22]]}}}}