量子科技中心_量科网

卷积神经网络（CNN）在图像分类任务中展现出优异的效率和准确率，但其性能通常依赖大量标注数据，这在数据有限的场景下面临挑战。该研究团队通过引入基于投影量子核（PQK）的创新方法，专门针对小数据集优化CNN特征提取过程。这种源自量子计算原理的投影量子核能有效捕捉传统CNN可能忽略的复杂模式和精细数据结构。实验表明：在仅1000个训练样本的条件下，采用PQK增强的CNN在MNIST数据集上达到95%准确率，在CIFAR-10数据集上达到90%准确率，显著优于传统CNN模型（后者在两个数据集上分别仅获得60%和12%准确率）。该工作揭示了量子计算在解决机器学习数据稀缺问题上的潜力，为量子辅助神经网络研究开辟了新路径，证明投影量子核能成为数据受限环境下提升CNN分类性能的有效手段。