量子科技中心_量科网

量子神经网络（QNNs）利用量子纠缠与叠加态实现大规模并行线性计算，为解决经典深度学习可扩展性瓶颈提供了潜在方案。然而其实用化部署面临两大关键挑战：固有非线性运算的缺失与贫瘠高原现象。该研究团队提出一种能同时解决这两个问题的量子卷积神经网络（QCNN）架构：通过幂级数的正交基展开引入非线性效应，并采用直接参数化酉矩阵而非堆叠多参数化量子门来缓解贫瘠高原。该设计进一步融合了卷积核与步长的量子模拟机制，实现可扩展的量子电路构建。在MNIST和Fashion-MNIST数据集上的实验分别达到99.0%和88.0%的测试准确率，基于PyTorch的矩阵模拟与Qiskit量子电路模拟结果的一致性验证了模型的物理保真度。这些成果展示了一种能忠实将经典卷积机制融入量子框架的灵活高效架构，为开发实用化、高表现力的量子神经网络开辟了新路径。