量子科技中心_量科网

该研究团队在离子阱和IBM超导量子计算机上实现了神经网络的量子化推广，用于分类MNIST图像（计算机视觉的常用基准）。该网络的前馈过程涉及量子比特旋转，其角度取决于前一层测量结果。网络通过仿真训练，但推理过程在量子硬件上实验完成。通过插值参数控制经典-量子的对应关系——该参数在经典极限下为零，适度增加该值会引入量子测量的不确定性，实验表明这能提升网络性能。 研究人员重点关注了经典神经网络分类失败但量子网络能正确识别的特定图像。对于此类边界案例，该团队观察到实验结果与仿真行为存在显著偏差，将其归因于物理噪声导致分类能量景观中输出在邻近极小值之间波动。这种对物理噪声的强敏感性在清晰图像中并不存在。通过向神经网络电路插入额外单量子比特和双量子比特门对，该工作进一步对物理噪声进行了基准测试。 此项研究为在当前设备上构建更复杂量子神经网络奠定了跳板：虽然该方法植根于标准经典机器学习，但扩展此类网络可能超越经典仿真能力，为实现近期量子优势提供可行路径。