量子科技中心_量科网

混合量子-经典学习模型正日益将神经网络与变分量子电路（VQC）相结合，以利用互补的归纳偏置。然而，现有方法多依赖紧密耦合架构或任务特定编码器，限制了概念清晰性、通用性及跨学习场景的可迁移性。该工作提出“量子积木学习”框架——一种模块化且架构无关的学习范式，将经典与量子组件视为具有明确定义角色的可复用、可组合学习模块。在此框架中，预训练经典神经网络作为冻结特征模块，而VQC则作为可训练的自适应模块，作用于结构化表征而非原始输入。这种分离设计能在受限量子资源下实现高效学习，并为分析混合模型提供原则性抽象。该团队发展了模块化泛化理论，将学习误差分解为近似误差与估计误差，明确刻画了各模块复杂度及训练状态如何影响整体性能。该分析推广了先前张量网络专用理论，并量化了量子模块在何种条件下能提供优于同等规模经典模块的表征优势。实证方面，该研究通过系统性的模块替换实验（涵盖冻结特征提取器与量子/经典自适应模块）验证了框架有效性。基于量子点分类任务的实验表明，该方案具有优化稳定性、对量子比特数的低敏感性，以及对现实噪声的鲁棒性。