量子科技中心_量科网

变分量子电路（VQCs）为量子机器学习提供了新路径，但其实际应用仍受限于线性表达能力受限、优化难题及对量子硬件噪声高度敏感等固有缺陷。该研究团队提出的VQC-MLPNet通过创新性地采用量子电路动态生成经典多层感知机（MLPs）参数——运用振幅编码和参数化量子操作——构建出可扩展且鲁棒的量子-经典混合架构，显著提升了表征能力与训练稳定性。团队通过统计学习技术和神经正切核分析提供了严格的理论保证，明确推导出近似误差、均匀偏差及优化误差的上界。这些理论成果表明，相较于独立量子电路和现有混合架构，该工作在表征能力方面获得相对于量子电路深度与比特数量的指数级提升，展现出明确的计算优势。在半导体量子点电荷态分类和基因组转录因子结合位点预测等实验中，即使面对模拟IBM量子噪声的真实场景，该架构仍表现出稳健性能，实证验证了理论结论。该研究建立了理论严密且实践稳健的框架，为噪声中等规模量子时代及未来的非传统计算范式推进了量子增强学习的前沿。