量子科技中心_量科网

在工业中实现量子神经网络（QNN）需要了解哪种量子计算范式适合哪类任务。受AI加速器和高带宽内存的启发（在这类器件中，芯片堆叠使得晶圆级缺陷筛选成为良率的关键），该团队在受控条件下研究了WM-811K晶圆图缺陷分类（八类），比较了连续变量（CV）和离散变量（DV）这两种主导范式。为了将量子电路作为唯一变量进行隔离，一个共享的卷积主干网络（约430万参数）为可互换的头部模块（经典全连接、CV-QNN或DV-QNN）提供输入，而这是结构上的唯一差异；每个量子头部模块按三种规模（3、4、8个量子模式/量子比特）进行缩放。CV头部模块的性能始终优于DV头部模块：在4个量子模式/量子比特下，CV达到79.7±1.8%的准确率，而DV为61.6±1.4%，两者存在18个百分点的非重叠差距。该优势在空间定位的边缘定位（Edge-Loc）缺陷类别上最为显著——该类别容易与划痕（Scratch）混淆，CV召回率达到0.66±0.06，而DV在所有规模下均失败（≤0.05），这表明结构化的CV层能更好地捕捉缺陷类型之间精细的空间差异。训练曲线显示，DV的局限性在于表示能力上限，而非优化失败；在本文采用的福克截断（d=2）下，CV的优势源于两个内在特性：一个结构化的、类似神经网络的层以及连续相空间编码，而非希尔伯特空间维度的优势。在IBM硬件上，DV的准确率在浅层电路下保持稳定，仅在最深电路时出现下降。两个量子头部模块的性能均低于经典基线（85.0%），但受控实验环境隔离了结构化头部模块已经能提供帮助的情况，并且随着噪声的降低和规模的扩大，明确了哪种范式能带来实际的优势。