量子科技中心_量科网

区域文字（如梵文天城体）的手写数字识别对于多语言文档数字化、教育工具开发及文化遗产保护至关重要。该文字复杂的结构和有限的标注数据集对传统模型构成重大挑战。该研究首次提出了一种混合量子-经典架构的天城体手写数字识别系统，将用于空间特征提取的卷积神经网络（CNN）与用于量子增强分类的10量子位变分量子电路（VQC）相结合。在梵文手写字符数据集（DHCD）上训练和评估后，所提模型实现了量子实现的最高测试准确率99.80%，测试损失0.2893，平均每类F1分数0.9980。与等效经典CNN相比，该模型在参数数量显著减少的情况下展现出更高准确性和更强鲁棒性。通过利用叠加态和量子纠缠等量子原理，该工作为区域文字识别设立了新基准，凸显了量子机器学习（QML）在现实世界低资源语言场景中的应用潜力。