《Journal of Mobile Multimedia》：Layer Expansion Techniques for Quantum Neural Networks in COVID-19 Image Classification Using Expressibility and Entangling Capability
编辑推荐：
COVID-19大流行夺去了许多生命，并促使开发了新的疾病治疗工具。使用X射线的初步诊断现在可以识别COVID-19感染者，大量研究推动了神经网络用于X射线图像分类。量子技术也引起了人们的兴趣，具有叠加和纠缠等引人入胜的特性。本研究提出了一种用于X射线图像分类
COVID-19大流行夺去了许多生命，并促使开发了新的疾病治疗工具。使用X射线的初步诊断现在可以识别COVID-19感染者，大量研究推动了神经网络用于X射线图像分类。量子技术也引起了人们的兴趣，具有叠加和纠缠等引人入胜的特性。本研究提出了一种用于X射线图像分类的量子神经网络（QNN），以研究层扩展与量子电路之间的关系技术，通过表达能力（Expressibility）和纠缠能力（Entangling Capability）进行衡量。结果表明，这两个指标显著影响了模型准确性。测试了七个电路，每个电路有六层，以检查它们对模型性能的影响。实验获得了95%的准确率，高效的图像分类电路表现出纠缠能力与表达能力之间的平衡关系。
**论文解读：基于表达能力和纠缠能力的量子神经网络层扩展技术在COVID-19图像分类中的应用**
**研究背景与问题**
COVID-19大流行导致全球公共卫生系统承压，早期诊断依赖于X射线图像，但人工解读耗时且易出错。传统人工智能（AI）神经网络在图像分类中面临计算资源瓶颈，尤其在高维数据处理时训练时间过长。量子计算凭借叠加（superposition）和纠缠（entanglement）等特性，为提升计算效率提供了新途径。然而，量子神经网络（QNN）中电路设计缺乏固定规则，层扩展如何影响模型性能尚不明确，特别是表达能力（Expressibility，电路生成均匀分布量子态的能力）和纠缠能力（Entangling Capability，电路生成纠缠的能力）这两个关键指标与准确率的关系需深入探究。为此，研究人员设计了七种不同量子电路，研究层扩展对QNN分类性能的影响，旨在为COVID-19 X射线图像分类提供高效解决方案。
**研究内容与结论**
研究人员提出了一种基于QNN的COVID-19 X射线图像分类模型，利用484张胸部X射线图像（346张训练、88张验证、50张测试），并额外用600张新图像进行测试。模型采用振幅编码（amplitude encoding）将图像转换为量子态，64×64像素图像使用12个量子比特，128×128像素图像使用14个量子比特。通过七种电路配置（从无纠缠的RY门到含CNOT门的复杂纠缠结构），每种电路在六层深度下测试，测量表达能力、纠缠能力和准确率。实验结果表明，增加层数可提升准确率，但过度层数导致过拟合；电路设计需平衡表达能力与纠缠能力：表达能力值接近0（表示覆盖希尔伯特空间均匀）且纠缠能力值高时，模型性能最优，最终达到95%准确率。QNN训练时间短于量子卷积神经网络（QCNN），更适合当前资源约束下的初步研究。
**意义与发表**
该研究首次系统分析层扩展下表达能力与纠缠能力对QNN分类的影响，为量子电路设计提供了理论指导，推动了量子机器学习在医疗影像诊断中的应用。论文发表在《Journal of Mobile Multimedia》。
**主要关键技术方法**
研究人员采用振幅编码将图像像素映射为量子态，设计七种参数化量子电路（PQC），包括仅含RY门（无纠缠）的电路以及含不同CNOT门排列的电路（链式、反向链式、双重纠缠等）。通过Kullback-Leibler散度（KL散度）量化表达能力，Meyer-Wallach度量评估纠缠能力。模型使用PennyLane模拟器训练，优化参数采用梯度下降法。样本来源为公开胸部X射线数据集，含COVID-19患者和健康对照。
**研究结果**
**Expressibility（表达能力）分析**：通过KL散度比较电路生成态与Haar随机态的保真度分布，发现大多数电路（QNN 2-7）在层数增加时表达能力值迅速下降，4-6层时接近0，表明深度增加使电路覆盖更全面的希尔伯特空间。QNN 1（无纠缠）表达能力值始终较高，说明其状态分布不均匀。
**Entangling Capability（纠缠能力）分析**：采用Meyer-Wallach度量，除QNN 1外，所有电路纠缠能力随层数增加而显著提升，符合深度增加增强量子比特间相互作用的预期。QNN 1纠缠能力始终为0，因其无纠缠门。电路2和4在首层纠缠能力为0，因CNOT门置于RY门之前，初始状态未形成纠缠。
**模型性能比较**：在64×64和128×128像素图像上，七种电路在六层深度下测试。电路3、5、7（RY门在前）的准确率高于电路2、4、6（CNOT门在前），表明先调整量子比特状态再建立纠缠更有利于学习。电路7（最复杂结构）在两种分辨率下均达到最高准确率约95%。QNN训练时间短于QCNN，因QNN结构更灵活简单。
**讨论与总结**
**讨论部分**：实验结果证实，高效电路应具备低表达能力（接近0）和高纠缠能力，且两者需平衡。过度纠缠可能损害模型学习，而高表达能力低纠缠会导致效率低下。电路设计时，RY门前置可优化初始状态，提高后续纠缠效率。层数增加需避免过拟合，每电路存在最优层数，取决于电路结构和目标。
**结论部分翻译**：本研究提出了一种用于COVID-19 X射线图像分类的QNN。研究涵盖七种不同电路，包括纠缠和非纠缠配置，每种电路在六层深度下评估。结果表明，增加QNN模型中层数可提升准确率，但引入过多层数会导致过拟合，表明每个电路存在用于其模型的最优层数，且添加层数取决于电路和改善模型性能的目标。在量子电路分析中，表达能力是纠缠的关键因素。高表达能力但低纠缠可能影响模型学习，而高表达能力且低或无纠缠可能导致模型学习效率低于具有平衡表达能力和纠缠的电路。因此，高效电路应具有表达能力和纠缠之间的平衡关系。实验结果表明，QNN学习速度比QCNN快，因为QNN结构更灵活、复杂度更低。因此，在当前资源约束下，QNN作为初始研究的有利入口，可快速实验和参数调优，以更好地理解量子行为和模型动力学。
