量子科技中心_量科网

混合量子-经典模型为复杂数据学习提供了前景广阔的路径，但其在多波段遥感影像中的应用往往依赖于通用的、数据无关的量子电路，未能考虑通道特定的统计变异性。本研究提出一个数据驱动框架，将香农熵、方差、频谱平坦度和边缘密度等波段级统计量映射至定制量子电路的超参数。基于此框架，该团队推出QMC-Net混合架构——该架构通过波段专属量子电路处理六个数据通道，实现跨通道的自适应量子特征编码与转换。在EuroSAT和SAT-6数据集上的实验表明，QMC-Net分别取得93.80%和99.34%的准确率，而残差增强变体更将性能提升至94.69%和99.39%。这些结果始终优于强力的经典基线模型和单一混合量子模型，凸显了在含噪声中等规模量子（NISQ）约束下数据感知型量子电路设计的有效性。