量子科技中心_量科网

近年来，基础模型在提升心电图（ECG）表征学习方面取得了进展，但其部署常受计算成本和延迟限制的制约。该工作将ECGFounder微调为高性能教师模型，用于PTB-XL和MIT-BIH心律失常数据库的二元ECG分类，并探究知识蒸馏能否将其预测能力迁移至轻量级学生模型。研究团队评估了两种经典一维学生模型（ResNet-1D和轻量级CNN-1D），以及一个量子兼容流程——该流程通过卷积自编码器将256采样点的ECG窗口压缩为低维潜在表征，再结合由Qiskit实现并在模拟后端运行的6量子比特变分量子电路。在两个数据集中，教师模型均展现出最佳综合性能，而蒸馏方法则在可训练参数大幅减少的情况下，使学生模型获得了具有竞争力的表现。研究人员进一步分析了学生模型性能对蒸馏设置的敏感性，揭示了在统一评估协议下，将ECG基础模型压缩为经典及量子兼容学习器时，始终存在的准确率与效率之间的权衡关系。