量子科技中心_量科网

量子卷积神经网络（QCNN）通过将分层特征提取与适度的参数增长相结合，为近期量子机器学习提供了一种前景广阔的架构。然而，任何处理经典数据的QCNN都必须依赖编码方案将输入嵌入量子态，这一选择将主导性能和资源需求。该研究在去极化噪声条件下，对角度编码、幅度编码及混合相位/角度方案三种代表性QCNN编码方式进行了实现层面的比较。研究人员开发了基于PyTorch-Qiskit的全可微分流程，包含自定义自动微分桥接、批量参数位移梯度及测量调度功能，并用于训练处理4×4和8×8分辨率下MNIST及Fashion-MNIST二值化降采样数据的QCNN。实验揭示了不同机制下的权衡关系：在4×4激进降采样输入中，角度编码在噪声增强时仍保持较高精度和相对稳健性，而混合编码表现滞后且呈现非单调趋势；在8×8分辨率下，混合方案能在中等噪声下反超角度编码，表明混合相位/角度编码器可从额外特征带宽中获益。幅度编码QCNN在降采样网格中表征稀疏，但在轻量级和全分辨率配置中表现出色，其训练动态与经典收敛高度相似。这些结果为在分辨率、噪声强度与仿真预算的多重约束下选择QCNN编码器提供了实用指导。