量子科技中心_量科网

高效地将经典视觉数据编码为量子态，对于实现实用量子神经网络（QNNs）至关重要。然而现有编码方案在将高维图像适配噪声中尺度量子（NISQ）设备的有限量子比特时，往往会丢弃空间与语义信息。该研究团队提出了一种“保真度守恒量子编码”（FPQE）框架，可实现近乎无损的数据压缩与量子态编码。FPQE采用卷积编码器-解码器结构，学习能够高保真重建原始数据的紧凑多通道表征，再通过振幅编码将其映射至量子态。实验结果表明，在MNIST等简单数据集上FPQE与传统方法性能相当，而在Cifar-10等复杂数据集上则显著优于基于PCA和剪枝的编码方法，最高可获得10.2%的准确率提升。这种性能优势随数据复杂度增加而扩大，证实了FPQE跨视觉领域保持高层结构信息的能力。通过在经典-量子转换过程中维持数据保真度，FPQE为高质量量子表征学习建立了可扩展且硬件高效的实现基础。