量子科技中心_量科网

深度学习视觉系统在模式识别方面表现出色，但在输入数据存在噪声或需要模型解释自身置信度时表现欠佳。模糊推理凭借其分级隶属度和规则透明性提供了一种解决方案，而参数化量子电路则能以惊人的参数效率将特征嵌入高度纠缠的希尔伯特空间。本研究融合这些理念，提出了一种创新的“高度量子化模糊神经网络”（HQFNN），该模型将整个模糊处理流程实现在浅层量子电路中，并将生成的量子信号与轻量级CNN特征提取器耦合。每个图像特征首先通过角度重复上传映射为单个量子比特的隶属态，紧凑的规则层随后优化这些振幅，再由集群式CNOT解模糊器将其坍缩为明确数值，最终与经典特征融合后进行分类。在标准图像基准测试中，HQFNN始终超越经典模型、模糊增强模型及纯量子基线模型，同时可训练参数量减少数个数量级；在模拟退极化噪声和振幅阻尼噪声下，其准确率仅轻微下降，展现出内在的鲁棒性。门电路数量分析进一步表明，该模型的电路深度与输入维度呈亚线性增长，证实了其处理更大尺寸图像的实用性。这些成果使该模型成为传统视觉主干网络的紧凑、可解释且抗噪的替代方案，并为未来量子原生模糊学习框架提供了范本。