量子科技中心_量科网

量子迁移学习将预训练的经典深度学习模型与量子电路相结合，既能复用表达能力强的特征表示，又能限制可训练参数数量。该研究团队提出了一系列紧凑型量子迁移学习架构，通过将变分量子分类器接入冻结的卷积主干网络实现图像分类。研究人员基于PennyLane和Qiskit平台实例化并评估了多种经典-量子混合模型，同时在异构图像数据集上将其与经典迁移学习基线进行了系统对比。为确保评估真实性，该工作不仅采用理想模拟环境，还基于IBM量子硬件规格校准的噪声模型进行噪声仿真，并在真实IBM量子硬件上进行测试。实验结果表明：相较于经典基线，所提出的量子迁移学习架构在保持竞争力的同时（某些案例中甚至表现更优），始终能减少训练时间和能耗消耗。在评估的各类方案中，基于PennyLane的实现方案在准确性与计算效率之间展现出最佳平衡，这表明当特征提取仍采用经典方法时，混合量子迁移学习可在当前NISQ时代实际应用中提供切实优势。