量子科技中心_量科网

在该工作中，研究人员提出了量子自适应激励网络（QAE-Net），这是一种专为增强卷积神经网络（CNN）通道注意力机制设计的混合量子-经典框架。该框架用量子浅层变分电路（VQC）替代了经典压缩-激励模块中的激励块，通过量子叠加与纠缠效应捕捉传统方法难以建模的高阶通道间依赖关系。研究团队在MNIST、FashionMNIST和CIFAR-10等基准图像分类任务上验证了QAE-Net的性能，在所有数据集上均观察到稳定提升，其中三通道输入任务的改进尤为显著。实验结果表明，增加量子电路中变分层的数量可逐步提高分类准确率，印证了更深层量子模型的表达能力优势。这些发现揭示了将变分量子电路整合到CNN架构中以提升表征能力的潜力，同时保持与近期量子设备的兼容性。该方案专为噪声中等规模量子（NISQ）时代量身定制，为在实际深度学习工作流程中部署量子增强注意力机制提供了可扩展且可行的技术路径。