量子科技中心_量科网

量子机器学习（QML）近期已成为极具前景的研究前沿。在该领域中，以变分量子电路（VQC）为核心、通过经典算法优化量子门层级的量子神经网络（QNN）备受关注。然而，对其实际性能的严格全面评估仍存在较大空白。本研究对三种主流混合经典量子架构——量子卷积神经网络（QCNN）、量子循环神经网络（QRNN）和量子视觉Transformer（QViT）——进行了综合比较分析，聚焦泛化能力、准确性和鲁棒性等关键维度。研究结果提供了填补先前评估空白的新见解。值得注意的是，虽然这些模型在MNIST等低特征数据集上表现卓越，但当迁移至高特征数据集时，其学习效能显著下降。此外，基于卷积的模型（如QCNN）在高维数据上的效果不及其他机器学习架构。同时，尽管所有模型均易受对抗性噪声影响，但传统架构（如循环网络和卷积网络）展现出更强的抗干扰能力。相反，在量子噪声环境下，基于Transformer的架构通过保持对测量噪声、信道噪声和有限采样效应的高鲁棒性证明了其优势，而其他架构则出现明显性能衰退。这些结果为该领域现状提供了精细化视角，并强调在当代含噪中等规模量子（NISQ）环境中根据约束条件定制模型选择的关键意义。