量子科技中心_量科网

量子迁移学习（QTL）为近期约束下的视觉量子机器学习提供了一种有前景的方法。在量子比特数量有限、电路深度较浅以及混合优化成本高昂的现实条件下，端到端的量子训练难以实现。在此设定中，预训练的经典骨干网络可用于提取高级视觉特征，而紧凑的量子模块则作为可训练的分类头。然而，现有的QTL结果难以直接比较，因为它们通常在数据集、预处理、骨干网络设置、量子比特预算、电路设计、优化选择以及报告协议上存在差异。本工作提出了一种受控的基准测试方法，在统一的迁移学习流水线下评估具有代表性的QTL方法。该基准测试在共享的预处理规则、冻结骨干网络设置、训练条件和报告指标下，对DQN-QTL、QPIE-QTL、AE-CQTL、PVCQTL和ED-QTL进行了比较。评估主要聚焦于Fashion-MNIST和Hymenoptera Ants vs Bees这两个数据集，同时使用CIFAR-10在更具挑战性的自然图像任务上提供额外的配置层面证据。除了预测性能，该基准测试还分析了电路规模、可训练参数、量子参数、训练时间，以及架构对量子比特数量和电路深度的敏感性。结果表明，没有任何单一的QTL系列在所有设定下都占据主导地位：性能取决于数据集、编码策略、电路设计和计算成本。这些发现凸显了进行资源感知型QTL评估的必要性，并为在近期资源约束下选择混合量子-经典迁移模型提供了指导。