基于深度分层中间测量的噪声自适应混合量子卷积神经网络

《Scientific Reports》：Noise-adaptive hybrid quantum convolutional neural networks based on depth-stratified feature extraction

　　

摘要

分层量子分类器，例如量子卷积神经网络（QCNNs），代表了在量子分类方面设计有效且可行架构的最新进展。然而，它们在近期量子硬件上的性能仍然对电路深度中的噪声积累非常敏感，亟需超越单纯电路设计的策略。我们提出一种噪声自适应混合 QCNN，通过利用深度分层中间测量来改善噪声下的分类。我们不丢弃池化操作中被移除的量子比特，而是测量它们并通过经典神经网络处理结果。这种混合分层设计通过将量子中间测量与经典后处理相结合，实现了噪声自适应训练。涵盖多种电路规模和噪声设置的系统实验，包括源自 IBM Quantum 后端数据的硬件校准噪声模型，证明与标准 QCNN 相比，该方法收敛更加稳定，损失变异性降低，分类准确率始终更高。此外，随着电路规模的增加，这种性能优势扩大，而标准模型在此时退化最为严重。值得注意的是，即使在现实噪声下，多基测量变体也能达到接近无噪极限的性能。虽然已在 QCNN 上进行验证，但所提出的深度分层特征提取广泛适用于逐步丢弃量子比特的分层量子分类器。