量子科技中心_量科网

多模态学习旨在通过整合来自不同来源的信息来增强感知与决策能力。然而，经典深度学习方法面临着黑箱特征级融合的高精度与可解释性较差但结构清晰的决策级融合之间的关键权衡，同时还需应对参数量爆炸和复杂性的挑战。该论文在量子计算框架下探讨了这一“精度-可解释性-复杂度”困境，提出了一种基于特征纠缠的量子多模态融合神经网络。该模型由三个核心组件构成：用于单模态处理的经典前馈模块、可解释的量子融合块，以及用于深度特征提取的量子卷积神经网络（QCNN）。通过利用量子计算的强大表达能力，该研究团队将多模态融合与后处理的复杂度降至线性量级，同时融合过程还具备决策级融合的可解释性。仿真结果表明，该模型在参数量仅为经典网络数十分之一的情况下实现了与之相当的分类精度，在多模态图像数据集上展现出显著的稳定性和性能表现。