量子科技中心_量科网

尽管经典卷积神经网络（CNN）已经彻底改变了图像分类领域，但量子计算的出现为增强神经网络架构提供了新的机遇。量子卷积神经网络（QCNN）利用量子力学特性，并有望超越经典方法。然而，在当前噪声中尺度量子（NISQ）设备上实现QCNN仍然面临硬件限制的挑战。在该研究中，研究团队通过引入一种显著降低输入维度的编码方案，成功应对了这一挑战。研究团队证明，仅需49个量子比特的原始QCNN架构即可直接处理28×28像素的MNIST图像，从而无需进行经典的降维预处理。此外，研究团队提出了一种基于可表达性、纠缠性和复杂性特征的自动化框架，用于识别QCNN的构建模块——参数化量子电路（PQC）。与混合QCNN和经典CNN相比，该团队的方法在参数数量相似的情况下，展示了在准确性和收敛速度上的优势。研究团队在IBM的Heron r2量子处理器上验证了实验，实现了96.08%的分类准确率，超越了相同训练条件下传统方法71.74%的基准。这些成果代表了在真实量子硬件上实现图像分类的首批案例之一，并验证了量子计算在这一领域的潜力。