经典CNN与量子卷积神经网络在可可豆病害分类中的对比分析

《IEEE Women in Engineering Magazine》：Comparative Analysis between Classical CNNs and Quantum Convolutional Neural Networks for Cacao Pod Disease Classification

　　

摘要：

卷积神经网络在图像分类任务中表现出了出色的性能。然而，量子机器学习的出现促使人们开始探索作为替代方案的混合量子-经典架构。本文针对可可豆图像的二分类问题，对比研究了基于振幅嵌入的经典卷积神经网络与量子卷积神经网络。研究使用了1,000张分辨率调整为32×32像素的灰度图像，在受NISQ时代限制的条件下，利用PennyLane库进行无噪声量子模拟。研究人员评估了不同深度的量子电路对准确率、精确度、灵敏度以及F1分数等指标的影响。结果表明，尽管经典卷积神经网络的预测性能略高，但量子卷积神经网络在参数数量大幅减少的情况下仍能取得相当不错的效果。这些发现表明，在无噪声模拟且参数受限的实验环境下，混合量子-经典架构可以为图像分类任务提供更为简洁且参数效率更高的解决方案。