用于图像分类的联合优化选择性特征重编码量子卷积神经网络
量子机器学习（QML）领域近期因噪声中等规模量子（NISQ）设备的进步取得了显著发展。基于量子纠缠和叠加态等原理构建的量子卷积神经网络（QCNNs），在量子与经典数据分类任务中展现出突出潜力。该研究聚焦图像分类场景下的QCNNs应用，提出一套提升特征处理效率的新策略及改进分类精度的新型架构。首先，研究人员设计了一种选择性特征重编码策略，引导量子电路优先处理信息量最大的特征，从而有效探索希尔伯特空间的关键区域以定位最优解空间。其次，该团队创新性地构建了并行模式QCNN架构，在统一训练框架下同步整合主成分分析（PCA）与自动编码器两种经典方法提取的特征。通过训练过程中的联合优化，该架构能充分利用互补性特征表征，实现模型参数的协同调整。为验证这些方法，该工作采用MNIST和Fashion MNIST标准数据集进行二分类任务的系统实验。结果表明：选择性特征重编码方法显著增强了量子电路的特征处理能力与性能表现；而联合优化的并行QCNN架构在准确率和泛化能力上均超越单一QCNN模型及传统“独立学习-决策融合”集成方案。
