用于图像分类的混合量子-经典模型

本研究系统地比较了混合量子经典神经网络和纯经典模型在三个基准数据集（MNIST、CIFAR100和STL10）上的性能、效率和鲁棒性。混合模型集成了参数化量子电路和经典深度学习架构，而经典模型则使用了传统的卷积神经网络（CNN）。对每个数据集进行了50个训练周期，评估了验证准确率、测试准确率、训练时间、计算资源使用情况和对抗鲁棒性（使用epsilon=0.1扰动进行测试）。主要发现表明，混合模型在最终准确率方面始终优于经典模型，在{99.38%（MNIST）、41.69%（CIFAR100）和74.05%（STL10）的验证准确率，而经典基准分别为98.21%、32.25%和63.76%）。值得注意的是，混合模型的优势随着数据集的复杂性而扩展，在CIFAR100（+9.44%）和STL10（+10.29%）上显示出最显著的增益。混合模型还以5-12倍的速度进行训练（例如，MNIST上每个周期21.23秒vs. 108.44秒），并且使用少6-32%的参数，同时保持对未见过测试数据的卓越泛化能力。对抗鲁棒性测试表明，混合模型在更简单的数据集上具有更高的鲁棒性（例如，MNIST上45.27%的鲁棒准确率vs.经典模型的10.80%），但在CIFAR100等复杂数据集上表现出相似的脆弱性（两者都有sim1%的鲁棒性）。资源效率分析表明，混合模型消耗的内存更少（4-5GB vs. 经典模型的5-6GB）且CPU利用率更低（平均9.5% vs. 23.2%）。这些结果表明，混合量子经典架构在准确性、训练效率和参数可扩展性方面具有令人信服的优势，尤其是在复杂的视觉任务方面。