DOI: https://doi.org/10.1038/s41598-025-13417-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40877341
تاريخ النشر: 2025-08-28
المؤلف: Changzhou Long وآخرون
الموضوع الرئيسي: خوارزميات وهندسة الحوسبة الكمومية
نظرة عامة
تقدم البحث شبكة عصبية تلافيفية هجينة كمومية-تقليدية-كمومية (QCQ-CNN) جديدة تدمج مرشحات تلافيفية كمومية، وطبقات شبكة عصبية تلافيفية تقليدية (CNN)، ومصنف شبكة عصبية كمومية قابلة للتدريب (QNN). تهدف هذه البنية إلى تعزيز تعبير حدود القرار في مهام تصنيف الصور من خلال دمج معلمات كمومية قابلة للتعديل، وبالتالي معالجة القيود الموجودة في النماذج السابقة مثل الشبكات العصبية التلافيفية الكمومية-التقليدية (QCCNNs)، التي عادة ما استخدمت طبقات كمومية ثابتة. تم تقييم QCQ-CNN من خلال محاكاة على مجموعات بيانات تشمل MNIST وFashion-MNIST وتصنيف أورام الدماغ باستخدام التصوير بالرنين المغناطيسي، مما يظهر دقة تنافسية وسلوك تقارب بالنسبة للمعايير التقليدية والهجينة.
تدرس الدراسة أيضًا تأثير عمق الدائرة الكمومية على استقرار التعلم، كاشفة أن الدوائر ذات العمق المعتدل تحقق توازنًا بين التعبيرية والاستقرار، بينما قد تؤدي الدوائر الأعمق إلى تحديات في التحسين مثل الهضاب القاحلة. بالإضافة إلى ذلك، تشير المحاكاة التي تأخذ في الاعتبار الضوضاء المشتتة والعينات المحدودة إلى أن QCQ-CNN تحافظ على القوة تحت ظروف كمومية واقعية. على الرغم من أن النتائج تستند إلى محاكاة مع دوائر كمومية صغيرة الحجم، إلا أنها تقترح اتجاهًا واعدًا لتطبيقات التعلم الكمومي الهجينة في المستقبل القريب. من الضروري إجراء أعمال مستقبلية للتحقق من هذه النتائج على الأجهزة الكمومية الفعلية واستكشاف قابلية توسيع النموذج ومرونته لمهام أكثر تعقيدًا.
النتائج
في هذا القسم، يقدم المؤلفون نتائج محاكاة عددية واسعة تهدف إلى التحقق من فعالية وقابلية تعميم بنية شبكة الأعصاب الكمومية التلافيفية المقترحة (QCQ-CNN). تم هيكلة التقييم في مكونين رئيسيين: أولاً، تم إجراء دراسة مقارنة تشمل خمسة نماذج متميزة لتقييم مزايا دمج المكونات الكمومية مع الحفاظ على قيود سعة متساوية. تهدف هذه المقارنة إلى تسليط الضوء على تحسينات الأداء الناتجة عن العناصر الكمومية في البنية.
ثانيًا، تم إجراء تحليل إلغاء لمصنف الشبكة العصبية الكمومية (QNN) للتحقيق في تأثير عمق دائرة الأنزات على أداء التصنيف. يعد هذا التحليل حاسمًا لفهم كيفية تأثير التغيرات في تعقيد الدائرة على فعالية النموذج في مهام تصنيف الصور، مما يوفر رؤى حول التكوين الأمثل لبنية QCQ-CNN.
المناقشة
في قسم المناقشة، يتناول البحث أهمية ترميز الزاوية في الحوسبة الكمومية، خاصة من خلال استخدام الدوائر الكمومية المعلمة (PQCs) والدوائر الكمومية المتغيرة (VQCs). يقوم ترميز الزاوية بتحويل البيانات التقليدية إلى حالات كمومية من خلال ربط ميزات الإدخال بزوايا دوران البوابات الكمومية، مثل RY(θ) وRX(θ) وRZ(θ). تؤكد الدراسة على تطبيق بوابات RY(θ) لدوران الكيوبت الأولي، وهو أساس لوظيفة المرشح الكمومي. من خلال دمج هذه البوابات مع بوابات هادامارد وControlled-NOT (CNOT)، يحقق المؤلفون خرائط ميزات معقدة ضرورية للشبكات العصبية الكمومية (QNNs). كما يبرز البحث دور VQCs في الخوارزميات الكمومية المتغيرة، مما يوضح فعاليتها في تطبيقات متنوعة، بما في ذلك التحسين التوافقي والتعلم الآلي الكمومي.
يناقش المؤلفون أيضًا قيود الشبكات العصبية التلافيفية الكمومية (QCNNs) ويقترحون هياكل هجينة، مثل الشبكات العصبية التلافيفية الكمومية-التقليدية (QCCNNs) والشبكات التلافيفية الكمومية-التقليدية-الكمومية (QCQ-CNNs)، لتعزيز الأداء والاستقرار. تستفيد هذه النماذج الهجينة من الطبقات التلافيفية التقليدية جنبًا إلى جنب مع المرشحات الكمومية لتحسين استقرار التدريب وتقليل متطلبات الموارد الكمومية. تدمج بنية QCQ-CNN، على وجه الخصوص، مرشحًا كموميًا لاستخراج الميزات الأولية، وشبكة CNN تقليدية لتعلم التمثيل الوسيط، وQNN للتصنيف النهائي، مما يحسن استخدام الموارد الكمومية والتقليدية. تشير النتائج إلى أنه بينما تواجه QCNNs تحديات في قابلية التوسع والتعبيرية، فإن النماذج الهجينة تمثل طريقًا واعدًا لتقدم التعلم العميق الكمومي، خاصة في سياق الأجهزة الكمومية القريبة المدى.
DOI: https://doi.org/10.1038/s41598-025-13417-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40877341
Publication Date: 2025-08-28
Author(s): Changzhou Long et al.
Primary Topic: Quantum Computing Algorithms and Architecture
Overview
The research presents a novel hybrid quantum-classical-quantum convolutional neural network (QCQ-CNN) that integrates quantum convolutional filters, classical convolutional neural network (CNN) layers, and a trainable quantum neural network (QNN) classifier. This architecture aims to enhance the expressivity of decision boundaries in image classification tasks by incorporating tunable quantum parameters, thus addressing limitations found in previous models like quantum-classical convolutional neural networks (QCCNNs), which typically employed fixed quantum layers. The QCQ-CNN was evaluated through simulations on datasets including MNIST, Fashion-MNIST, and MRI brain tumor classification, demonstrating competitive accuracy and convergence behavior relative to classical and hybrid baselines.
The study also investigates the impact of quantum circuit depth on learning stability, revealing that moderate-depth circuits strike a balance between expressivity and stability, while deeper circuits may lead to optimization challenges such as barren plateaus. Additionally, simulations accounting for depolarizing noise and finite sampling indicate that QCQ-CNN maintains robustness under realistic quantum conditions. Although the findings are based on simulations with small-scale quantum circuits, they suggest a promising direction for hybrid quantum learning applications in the near term. Future work is necessary to validate these results on actual quantum hardware and to explore the model’s scalability and adaptability to more complex tasks.
Results
In this section, the authors present the results of extensive numerical simulations aimed at validating the effectiveness and generalizability of the proposed Quantum Convolutional Quantum Neural Network (QCQ-CNN) architecture. The evaluation is structured into two primary components: first, a comparative study involving five distinct models is conducted to assess the advantages of incorporating quantum components while maintaining equal capacity constraints. This comparison aims to highlight the performance improvements attributable to the quantum elements of the architecture.
Second, an ablation analysis of the Quantum Neural Network (QNN) classifier is performed to investigate the impact of the ansatz circuit depth on classification performance. This analysis is critical for understanding how variations in circuit complexity can affect the model’s efficacy in image classification tasks, thereby providing insights into the optimal configuration for the QCQ-CNN architecture.
Discussion
In the discussion section, the paper elaborates on the significance of angle encoding in quantum computing, particularly through the use of parameterized quantum circuits (PQCs) and variational quantum circuits (VQCs). Angle encoding transforms classical data into quantum states by mapping input features to rotation angles of quantum gates, such as RY(θ), RX(θ), and RZ(θ). The study emphasizes the application of RY(θ) gates for initial qubit rotation, which is foundational for the quantum filter functionality. By combining these gates with Hadamard and Controlled-NOT (CNOT) gates, the authors achieve complex feature mappings essential for quantum neural networks (QNNs). The paper also highlights the role of VQCs in variational quantum algorithms, demonstrating their effectiveness in various applications, including combinatorial optimization and quantum machine learning.
The authors further discuss the limitations of quantum convolutional neural networks (QCNNs) and propose hybrid architectures, such as quantum-classical convolutional neural networks (QCCNNs) and quantum-classical-quantum convolutional networks (QCQ-CNNs), to enhance performance and stability. These hybrid models leverage classical convolutional layers alongside quantum filters to improve training stability and reduce quantum resource requirements. The QCQ-CNN architecture, in particular, integrates a quantum filter for initial feature extraction, a classical CNN for intermediate representation learning, and a QNN for final classification, thereby optimizing the use of quantum and classical resources. The findings suggest that while QCNNs face challenges in scalability and expressiveness, hybrid models present a promising avenue for advancing quantum deep learning, particularly in the context of near-term quantum devices.