量子科技中心_量科网

该研究探讨了如何通过量子机器学习技术提升多类别图像分类的挑战性课题。研究重点分析了如何利用噪声中等规模量子（NISQ）设备中量子卷积神经网络（QCNN）被丢弃的量子态，结合经典分类器来提高分类性能。现有QCNN在池化后会舍弃特定量子位状态，但与经典池化不同，这些量子位往往仍与保留位存在纠缠态，意味着大量关联信息被浪费。该团队创新性地回收利用这些信息，将其与传统保留位测量结果相结合，提出了一种混合量子-经典架构——将改进型QCNN与全连接经典层耦合。两个浅层全连接头分别处理保留位和废弃位的测量数据，其输出在最终分类层前进行集成。通过经典交叉熵损失的联合优化，使得量子参数与经典参数能够协调适配。在MNIST、Fashion-MNIST和OrganAMNIST数据集上，该方法均优于同类轻量级模型。这些结果表明，废弃量子位信息的再利用为未来混合量子-经典模型提供了新思路，其应用可能扩展到图像分类之外的更多任务领域。