EXAQC框架实现量子电路自动发现，图像分类参数量大幅减少
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载把电路设计交给进化算法
混合量子经典神经网络把参数化量子电路当作中间模块，与成熟的深度学习结构拼接使用。这类模型的最终表现，很大程度上取决于量子电路本身长什么样。目前多数做法仍停留在人工设计或固定模板的阶段：电路结构、门的具体组成、量子比特之间如何连接，都要事先指定，而这些设定未必贴合手头的任务。图像分类场景把这一矛盾放大了——量子电路既要处理经典网络抽取出的特征，又要足够紧凑以便实际训练，通用且与任务无关的模板很难同时满足这两点。作者把 EXAQC 这一用于自动发现量子电路的进化框架扩展到图像分类任务上。它的思路是让进化过程去搜索参数化量子电路，把搜索得到的电路作为中间处理环节，而经典的特征提取层与预测层保持不动。这样，电路的构造不再依赖事先的人工指定，而是由算法在搜索中产生。
三个数据集上的准确率
研究在 MNIST、Fashion-MNIST 和 CIFAR-10 三个图像数据集上给出了结果，EXAQC 分别达到 98.42%、90.62% 和 85.47% 的准确率。在门数量这一维度上，它与其它量子架构搜索方法处于相近水平，也就是说，准确率的取得并没有靠堆叠更多的量子门。与经典网络相比，进化出的混合模型在准确率上保持接近，但可训练参数明显更少：在 CIFAR-10 上达到 85.68%，而参数量比一个 10 层卷积网络少 25 倍以上。这一对比说明，自动搜索出的量子模块在视觉架构中有可能替换掉体积更大的经典组件，同时把精度维持在可比的区间内。
编码方式带来的差距
除了电路结构，特征如何编码进量子电路同样影响结果。材料给出的对比显示，基于旋转的编码方式，包括 RX、RY 和 U3，在 CIFAR-10 上比振幅编码高出 22 到 25 个百分点。这一差距表明，编码选择不是可以忽略的实现细节，而会直接改变模型在同一任务上的表现。把这些结果放在一起看，自动化的电路发现能够产出紧凑的量子模块，用于替换视觉架构中较大的经典部分，并保持有竞争力的准确率。该工作投稿于 2027 年第十五届国际学习表征会议，同时归入神经与进化计算、人工智能、计算机视觉与模式识别、机器学习以及量子物理等分类。
为什么值得看
自动发现紧凑量子模块替代大体量经典组件，显著降低参数规模并保持竞争力，为视觉架构引入量子优势提供新路径。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。