量子科技中心_量科网

计算机视觉领域的快速发展以及日益复杂的图像识别任务，暴露了经典机器学习模型在计算能力上的根本性局限，从而推动了将量子计算作为新兴范式进行探索。本文针对MNIST手写数字数据集上的图像识别任务，对经典与量子机器学习模型进行了全面的基准测试研究，评估了传统模型——经典支持向量机（CSVM）与量子支持向量机（QSVM），以及深度神经网络模型——经典卷积神经网络（CCNN）与量子卷积神经网络（QCNN）在四个性能维度上的表现：分类准确率、计算运行时间、参数量及内存需求。实验分别在特征维度和样本规模两个维度上进行，并在CPU与GPU执行环境下展开，提供了受控的多维比较，以弥补先前研究的空白。对于基于SVM的模型，QSVM在准确率上始终优于CSVM，在1000个样本时达到约0.90，而CSVM约为0.85，但计算成本更高。10个量子比特的特征数量以及200至500范围内的样本规模，成为平衡准确率与运行时间的实际工作点。对于神经网络模型，CCNN与QCNN在分类准确率上表现相当，在64个特征和60000个样本时均超过0.96，但QCNN在参数和内存效率方面具有显著优势：在较高特征数量下，其参数量比CCNN减少约94%，内存需求减少约75%，但运行时间更高。在这两类模型中，随着特征维度或样本规模的增加，量子模型在准确率上始终以更大优势超越经典模型。