量子科技中心_量科网

该团队提出了一种硬件高效的量子残差神经网络，该网络通过恒等变换与可变量子酉算符的确定性线性组合来实现残差连接，支持完全可微分训练。相较于现有残差连接实现方案，该架构在保留残差学习特性的同时避免了后选择过程。此外，该团队证实了该模型的可训练性，有效缓解了被认为是变分量子学习模型主要瓶颈的“贫瘠高原”问题。为验证模型性能，该团队将其应用于MNIST、CIFAR和SARFish数据集的图像分类任务，在二分类和多分类任务中分别取得99%和80%的准确率。虽然这些准确率与传统变分模型相当，但该团队的模型所需量子门数量减少10倍，更适配资源受限的近量子处理器。除高精度外，该架构还展现出对抗鲁棒性这一量子机器学习模型的另一关键特性。总体而言，该研究为开发高精度、强鲁棒、可训练且硬件高效的量子机器学习模型提供了新范式。