量子科技中心_量科网

分层量子分类器，如量子卷积神经网络（QCNN），代表了量子分类架构设计朝着高效可行方向的最新进展。然而，这些架构在近期量子硬件上的性能仍对电路深度累积的噪声极度敏感，亟需超越单纯电路架构设计的应对策略。该研究团队提出一种噪声自适应混合QCNN，通过利用深度分层中间测量来提升噪声环境下的分类性能。与传统丢弃池化操作移除的量子比特不同，该方案对其测量并将结果作为经典特征，由经典神经网络协同处理。这种混合分层设计通过整合量子中间测量与经典后处理，实现了噪声自适应推理。基于多种电路规模和噪声设置（包括从IBM Quantum后端数据标定的硬件噪声模型）的系统实验表明：相较标准QCNN，该架构具有更稳定的收敛性、更低的损失波动性以及持续更高的分类准确率。尤其当电路规模增大时，其性能优势显著放大，证实了混合架构能缓解标准架构的扩展限制。值得注意的是，多基测量变体即使在真实噪声下也能达到接近无噪声极限的性能。虽然以QCNN为演示平台，这种深度分层特征提取方法可广泛适用于逐步丢弃量子比特的各类分层量子分类器。