量子科技中心_量科网

口腔癌的早期检测能显著改善临床预后，但在资源匮乏的环境中，专门的诊断工具仍然稀缺。基于智能手机的筛查是一种可扩展的替代方案，但需要能在边缘硬件限制下运行的轻量级模型。混合经典-量子架构正成为参数高效学习的有力候选，然而大多数架构依赖需要低温运行的量子比特硬件，不适合边缘部署。可在室温下运行的连续变量（CV）光子量子计算提供了一条互补路径。该研究设计了一种混合经典-CV 量子分类器，用于从智能手机图像中检测口腔癌。该流程结合了MobileNetV1特征提取器、主成分分析（降至16维），以及在光子后端上由位移门、干涉门和克尔门组成的参数化CV-QNN。该工作提出了一种简化的 \(Φ\circ D \circ U_1\) CV-QNN架构，相较于Killoran等人（2019a）的标准CV-QNN层，可训练参数减少了40-45%，并确定了降维和编码限制策略，这些策略能缓解贫瘠高原现象，将损失梯度方差提高了约58个数量级。简化层是否优于全层取决于宽度：在两个量子模态下，全层具有微小但显著的优势；而在四个量子模态下，简化层仅使用44%的参数便表现显著更优。最强的模型是一个仅有18个参数的4量子模态简化CV-QNN，在所有模型中取得了最高的验证AUC，比使用67%更多参数的55参数经典基线模型表现更优，并在所有随机种子下达到了100%的校准测试准确率。这些结果支持将CV光子量子机器学习用于参数高效、室温运行的医学图像分类，并推动边缘量子人工智能的发展。