量子科技中心_量科网

混合量子神经网络在分类任务中的应用日益广泛，但其性能与量子行为如何随电路深度和量子比特数量扩展仍不明确。该研究团队通过双维度对照实验对混合量子-经典分类器进行扩展研究：(1) 在固定量子比特数Q条件下增加量子层数L，(2) 在固定深度L条件下增加量子比特数Q。基于多组数据集，研究人员采用准确率、PR-AUC、精确率、召回率和F1值评估预测性能，并追踪量子特性指标（QCE、EEE、QGN）以量化扩展过程中量子特性的演变规律。研究结果系统归纳了扩展趋势、饱和区间及数据集敏感特性，进一步解析了量子指标与预测性能的关联关系。该工作为混合量子神经网络分类器中(Q,L)参数选择提供了实践指导，并为扩展分析建立了标准化评估框架。