量子科技中心_量科网

连续变量（CV）量子计算为可扩展的量子机器学习提供了一个前景广阔的框架，它利用了具有无限维希尔伯特空间的光学系统。虽然离散变量（DV）量子神经网络在各种计算机视觉任务中已展现出显著进展，但CV量子模型的研究仍相对不足。此项工作探索了连续变量量子神经网络（CV-QCNNs）在生物医学图像分类中的可行性应用。通过采用光子电路模拟框架，该团队构建了由位移、压缩、旋转和分束器等高斯门组成的CV量子电路，以模拟卷积行为。实验基于MedMNIST数据集开展——这是一组用于多项诊断任务的标注医学图像基准集。研究人员从分类准确率、模型表达能力及高斯噪声鲁棒性三个维度评估CV-QCNN性能，并与经典CNN及等效DV量子电路进行对比。该研究旨在揭示DV与CV范式在量子增强医学影像应用中的权衡关系。研究结果凸显了连续变量模型的潜力及其在未来计算机辅助诊断系统中的应用价值。