量子科技中心_量科网

当前量子神经网络存在对对抗性扰动和硬件噪声极度敏感的缺陷，这对其实际应用构成了重大障碍。现有鲁棒性技术往往需要牺牲原始准确率或消耗过高计算资源。该研究团队提出一种混合量子-经典可微分量子架构搜索（DQAS）框架，通过基于梯度的方法联合优化电路结构和鲁棒性。该方案在传统DQAS基础上创新性地引入轻量级经典噪声预处理层，实现门选择与噪声参数同步优化。这种设计在保持量子电路完整性的同时，通过可训练的扰动机制增强鲁棒性而不损害标准性能。在MNIST、FashionMNIST和CIFAR数据集上的实验表明，相较于现有量子架构搜索方法，该框架在原始准确率和对抗准确率上均有持续提升。在快速梯度符号法（FGSM）、投影梯度下降（PGD）、基本迭代法（BIM）和动量迭代法（MIM）等多种攻击场景下，以及在真实量子噪声环境中，该混合框架均保持卓越性能。实际量子硬件测试证实了所发现架构的实用可行性。这些结果表明，策略性经典预处理与可微分量子架构优化的结合，能在保持计算效率的同时显著提升量子神经网络的鲁棒性。