量子科技中心_量科网

将量子电路整合到深度学习流程中仍面临启发式设计限制的挑战。该研究团队提出Q-DIVER混合框架，将大规模预训练脑电编码器(DIVER-1)与可微分量子分类器相结合。不同于固定拟设方法，该工作采用可微分量子架构搜索技术，在端到端微调过程中自主发现任务最优的电路拓扑结构。在PhysioNet运动想象数据集上，该量子分类器取得了与经典多层感知器相当的预测性能（测试F1值：63.49%），同时使用的任务特定头部参数减少了约50倍（2.10M vs 105.02M）。这些结果验证了量子迁移学习作为高维生物信号处理的一种参数高效策略的可行性。