量子科技中心_量科网

量子神经网络（QNNs）作为量子机器学习（QML）领域的重要发展方向，在当前中等规模含噪声量子（NISQ）设备上的实现仍面临退相干、量子门缺陷、串扰和读出误差等限制。本研究系统评估了混合量子神经网络（HQNNs）中的噪声效应及缓解策略：将零噪声外推法（ZNE）、数字动态解耦（DDD）和分层理查森外推法（LRE）整合至基于PennyLane开发的端到端QNN训练流程中，通过Qiskit Aer噪声模型进行仿真，并与Mitiq框架集成；同时因计算成本考量，在退极化噪声环境下单独评估了概率误差消除法（PEC）。基于Iris数据集在五种典型噪声通道下的实验表明，噪声影响与缓解效果高度依赖于噪声模型及其强度：该模型在相位翻转和相位阻尼噪声下保持相对较强性能，而在高退极化与振幅阻尼噪声下则出现显著性能衰退。所有评估的缓解方法中，观测到的改善效果有限且具有噪声依赖性——ZNE、DDD和LRE总体遵循与未缓解基准相同的衰退趋势，而PEC仅在低强度退极化噪声区间显示有限增益。这些发现强调需要针对具体场景制定缓解策略，以提升QNN在实际NISQ环境中的鲁棒性。