量子科技中心_量科网

容错量子处理单元（QPUs）有望在特定计算任务中实现指数级加速，但其与现代深度学习管道的融合路径仍不明确。该研究团队通过首次实现具有非线性激活函数的多层神经网络全相干量子版本，向弥合这一鸿沟迈出关键一步。所构建的量子网络复现了基于ResNet的经典深度学习架构，包含多滤波器二维卷积残差块、S型激活函数、跳跃连接及层归一化等组件。研究人员针对三种量子数据访问机制下的网络推理复杂度展开分析：在无任何假设条件下，浅层双线性风格网络相较经典方法实现二次加速；在高效量子权重访问机制下，获得四次加速；当输入数据与网络权重均实现高效量子访问时，该工作证明对于N维向量输入、k层残差块及末端残差线性池化层的网络，能以O(多对数(N/ϵ)k)的推理成本实现误差ϵ的可控计算。