量子科技中心_量科网

该研究团队系统性地探讨了量子电路设计（特别是变分拟设深度与量子特征映射选择）如何影响混合量子-经典神经网络在因果分类任务中的表现。该架构将用于经典特征提取的卷积神经网络与充当量子层的参数化量子电路相结合。研究人员评估了多种拟设深度和九种不同特征映射方案，发现增加拟设重复次数可提升泛化能力和训练稳定性，但超过特定深度后收益趋于平缓。特征映射的选择更为关键：仅采用多轴泡利旋转的编码方案可实现有效学习，而简单映射会导致欠拟合或类别可分性丧失。主成分分析与轮廓系数揭示了数据分布在网络各阶段的演化规律。这些发现为混合模型中量子电路设计提供了实用指导。全部源代码与评估工具均已公开。