量智信息中心_量科网

传统的深度神经网络模型难以同时表征数据不确定性和捕捉特征间依赖关系，尤其在模糊或噪声条件下。虽然先前提出的量子辅助分层模糊神经网络（QA-HFNN）能学习各特征的模糊隶属度，但由于采用单量子比特编码，无法建模特征间依赖关系。为此，该研究团队提出双量子比特分层模糊神经网络（DQ-HFNN），将特征对编码至纠缠量子比特对上，将单特征模糊模型扩展为联合模糊表示。通过引入量子纠缠，双量子比特电路可编码非经典关联，使模型能直接学习特征对间的关系模式。基准测试表明，DQ-HFNN的分类准确率优于QA-HFNN及经典深度学习基线。进一步控制电路深度和参数量的消融实验证明，性能提升主要源于纠缠实现的关系建模能力，而非表达能力增强。所提出的DQ-HFNN模型具有高参数效率和快速推理优势。噪声环境下的实验表明，该模型具备抗噪鲁棒性，有望在含噪中等规模量子设备上实现。