量子科技中心_量科网

用于图像分类的变分量子电路会遭遇贫瘠高原问题，而量子核方法的数据规模复杂度呈二次方增长。该研究团队提出了一种基于二次无约束二值优化（QUBO）的迭代框架，通过量子退火训练卷积神经网络（CNN）的分类头，完全规避基于梯度的电路优化。该方法遵循极限学习机范式：随机初始化并冻结卷积滤波器，仅优化全连接层。在每次迭代中，从特征格拉姆矩阵导出的凸二次替代函数取代非二次交叉熵损失，形成迭代稳定的曲率代理。按输出分解策略将C分类问题拆分为C个独立QUBO子问题，每个子问题包含(d+1)×K个二值变量（d为特征维度，K为比特精度），使得问题规模仅取决于图像分辨率和比特精度，与训练样本数量无关。 该方法在六个图像分类基准数据集（sklearn digits、MNIST、Fashion-MNIST、CIFAR-10、EMNIST、KMNIST）上进行了评估。精度研究表明准确率随比特分辨率单调提升，10比特是有效优化的实际下限；15比特方案仍符合当前D-Wave Advantage硬件的量子比特与耦合器限制。20比特方案在MNIST、Fashion-MNIST和EMNIST上达到或超越经典随机梯度下降法的性能，在CIFAR-10和KMNIST上保持竞争力。所有实验均采用模拟退火，为量子退火硬件的直接部署建立了基准。