量子科技中心_量科网

设计兼具表达力强、可训练性高且对硬件噪声鲁棒的参数化量子电路（PQC），是当前嘈杂中型量子（NISQ）设备上实现量子机器学习（QML）的核心挑战。该研究团队提出一种“领域感知量子电路”（DAQC），通过非重叠DCT风格之字形窗口，利用图像先验知识来引导局部性保持的编码与纠缠操作。该设计采用交错式“编码-纠缠-训练”循环，其中纠缠操作仅在承载相邻像素的量子比特间实施，并与设备连接拓扑对齐。这种分阶段、保持局部性的信息流动方式，可在不进行深度全局混合的情况下扩展有效感受野，从而高效利用有限的电路深度和量子比特资源。该方案将表征能力集中于短程相关性，减少长程双量子比特操作，并促进稳定优化，由此缓解深度诱发和全局纠缠导致的贫瘠高原效应。研究团队在MNIST、FashionMNIST和PneumoniaMNIST数据集上评估DAQC表现。在真实量子硬件上，DAQC性能可匹敌经典强基线模型（如ResNet-18/50、DenseNet-121、EfficientNet-B0），并显著超越量子电路搜索（QCS）基线。据该团队所知，DAQC作为仅采用线性经典读出层（无深层经典主干网络）的量子特征提取器，目前创下了基于QML的图像分类任务在真实量子硬件上的最佳性能记录。代码与预训练模型详见：https://github.com/gurinder-hub/DAQC。