量子科技中心_量科网

量子技术的迅速崛起为区分功能相似的各类量子电路带来了新挑战。该研究团队提出并行量子嵌入神经网络（ParaQuanNet），通过分类相应输出数据实现对量子生成电路的高效识别。具体而言，研究人员采用八种实现量子去噪扩散概率模型（QDDPM）的生成量子电路，制备出W态类量子态。尽管所有电路均被训练用于生成同类量子数据，该团队开发的ParaQuanNet仍能以99.5%的准确率对这八类生成量子数据进行分类。该神经网络通过创新的并行量子嵌入单元（PQEU）设计，使量子核电路能并行处理量子数据的所有感受野，从而显著提升量子数据处理效率。研究人员还将互无偏测量融入ParaQuanNet框架，进一步优化其性能。将该方法应用于经典数据集分类任务时，量子神经网络展现出优异表现。基于Python在经典GPU上的实现表明，该方法对噪声数据及电路级噪声具有良好鲁棒性。该成果凸显了ParaQuanNet作为可扩展量子电路识别框架的有效性，为量子机器智能的广义发展做出贡献。