基于贝叶斯卷积前端技术的、具有不确定性感知能力的混合量子-经典图像分类方法

《Scientific Reports》：Bayesian convolutional front-end based uncertainty-aware hybrid quantum–classical image classification

　　

摘要

在噪声较大的中等规模量子（NISQ）设备上进行的量子机器学习常常面临噪声敏感、小数据过拟合以及预测置信度校准不准确的问题。我们提出了一种具有不确定性意识的混合贝叶斯量子神经网络（BQNN），该网络将贝叶斯卷积前端与参数化量子电路（PQC）相结合，形成了一个三阶段处理流程：贝叶斯特征提取、量子状态演化以及经典决策。对于28×28的灰度输入数据，前端首先使用8个滤波器的3×3贝叶斯卷积层，随后进行2×2的最大池化操作，并连接一个全连接层以生成10维的嵌入向量，该向量被映射到四个旋转角度上并编码到4个量子比特上。对于量子分类层，考虑了两种不同的参数化量子电路设计。在MNIST和Fashion-MNIST数据集上，通过对五个独立随机种子进行多次实验发现，所提出的BQNN变体在性能上始终优于相应的量子卷积神经网络（QCNN）基线模型。在MNIST数据集上，BQNN-2的平均最佳测试准确率为95.46±0.36%，平均最终测试准确率为95.44±0.38%，平均最终测试损失为0.169±0.012；在Fashion-MNIST数据集上，BQNN-1取得了最佳的整体性能，平均最佳测试准确率为87.59±0.62%，平均最终测试准确率为87.49±0.73%，平均最终测试损失为0.385±0.017，且BQNN-2的实验结果波动性更小。在相同的训练配置下，与QNN基线的进一步对比显示BQNN具有更快的收敛速度和更高的峰值准确率。通过30次蒙特卡洛前向传播实验，BQNN的校准效果（ECE）优于QCNN（ECE为0.007–0.009），从而减少了过度自信的预测现象。在噪声混合态模拟下的额外鲁棒性实验表明，在退极化噪声环境下，BQNN在MNIST数据集上的两种电路变体中均能保持更高的峰值测试准确率，证明了其在类似NISQ的噪声环境中的更强鲁棒性。