量子科技中心_量科网

最新研究表明，量子神经网络（QNNs）在小样本场景下展现出优异的泛化能力。为将该优势扩展至大规模任务，该研究团队提出Q-LoRA方案——一种通过将轻量化QNN集成至低秩适配器（LoRA）实现的量子增强微调框架。在AI生成内容（AIGC）检测任务中，Q-LoRA在小样本环境下始终优于标准LoRA方法。通过系统分析，研究人员发现QNN可能带来两种结构性归纳偏置：（1）相位感知表征——通过正交振幅-相位分量编码更丰富信息；（2）范数约束变换——利用固有正交性稳定优化过程。但量子模拟会带来显著计算开销，为此该团队进一步提出H-LoRA，这种纯经典变体通过在LoRA适配器中引入希尔伯特变换，保留了相似的相位结构和约束条件。小样本AIGC检测实验表明，Q-LoRA和H-LoRA的准确率均超越标准LoRA 5%以上，其中H-LoRA在显著降低计算成本的同时实现了可比性能。