量子科技中心_量科网

参数化量子电路（PQC）为混合量子机器学习（QML）提供了灵活的框架，但其在含噪中等规模量子（NISQ）设备上的实际价值仍是一个经验性问题，尤其是在训练深度和规模可能导致优化挑战（如贫瘠高原）的情况下。本研究探讨了特征映射阶段中双量子比特纠缠门的数量和拓扑结构，如何影响一个固定的混合量子神经网络（QNN）工作流程——该工作流程用于区分猪繁殖与呼吸综合征（PRRS）疫苗设计中强与弱的表位-受体结合。数据集包含 \(N=80\) 个9肽表位的对接衍生结合亲和力，标记为强结合或弱结合，并按40:30:30的比例划分为训练集、验证集和测试集。该团队将经典CNN基准与混合嵌入-QNN架构进行对比，在四种特征映射配置下：非纠缠Z特征映射、全连接高纠缠ZZ特征映射，以及两种低深度和高深度的交错最近邻纠缠模式。在测试的配置中，高纠缠ZZ特征映射显示出最显著的训练集过拟合减少证据，其训练精度曲线下面积（AUAC）更低，测试/训练AUAC比值最高，同时保持了具有竞争力的测试集精度。这些结果并未确立通用的QML优势，但表明特征映射纠缠拓扑是稀疏生物筛选任务中有意义的设计变量，值得使用更多指标、更大数据集以及噪声感知或基于硬件的实验进行进一步评估。