量子科技中心_量科网

量子机器学习（QML）作为量子计算与人工智能的交叉领域，有望解决经典方法难以处理的问题。然而当前QML软件框架生态存在严重割裂：基于TensorFlow Quantum开发的模型无法在PennyLane后端运行，Qiskit Machine Learning编写的量子电路不能部署至Amazon Braket硬件，研究人员投入某一生态系统后，若想迁移将面临高昂的转换成本。这种供应商锁定现象阻碍了研究可复现性，限制了硬件访问范围，延缓了科学发现进程。本文提出一种与框架无关的量子神经网络（QNN）架构，通过统一计算图、硬件抽象层（HAL）和多框架导出管道，消除了供应商专属接口的差异。该核心架构支持同时集成TensorFlow、PyTorch和JAX作为经典协处理器，而HAL层通过单一应用程序接口（API）透明访问IBM Quantum、Amazon Braket、Azure Quantum、IonQ和Rigetti后端。我们设计了三种可插拔数据编码策略（幅度编码、角度编码和瞬时量子多项式编码），兼容所有支持的后端。利用开放神经网络交换（ONNX）元数据的导出模块，可实现Qiskit、Cirq、PennyLane和Braket表征间的无损电路转换。在Iris、Wine和MNIST-4分类任务上的测试表明，本框架在保持分类精度相同的前提下，训练时间与原生框架实现相当（开销控制在8%以内）。