量子科技中心_量科网

变分量子电路（VQCs）是近期量子设备上实现量子机器学习的主流方法，但目前尚不清楚哪种电路架构能在经典表格数据上实现最佳精度-参数平衡。该研究系统性地比较了四种VQC架构——多层全连接（FC-VQC）、残差网络（ResNet-VQC）、量子-经典混合Transformer（QT）以及全量子Transformer（FQT）——在五项回归与分类基准测试中的表现。主要发现包括：（i）FC-VQC在参数减少40-50%的情况下，能达到基于注意力机制VQC模型90-96%的R²分数，且在相同容量下始终优于多层感知机（MLP720在波士顿房价数据集上的平均R²为0.753，而FC-VQC达0.829，3次随机种子均值）；（ii）FC-VQC的第四类跨块连接通过部分跨令牌混合近似实现了注意力机制的功能——显式量子自注意力在多数数据集上仅带来边际收益，却显著增加参数量；（iii）当电路深度≈3时表达能力趋于饱和，这解释了浅层VQC已能有效覆盖希尔伯特空间的原因；（iv）全量子Transformer采用层归一化（LayerNorm）可提升分类精度，表明纯量子操作中归一化至关重要；（v）在波士顿房价数据的噪声研究中，FQT在退极化噪声下性能缓慢衰减，而QT则完全失效。所有结果均通过三次随机种子验证。这些发现为在近期量子硬件上部署VQC提供了实用的架构设计指南。