混合量子经典神经网络的比较分析

混合量子经典机器学习（ML）是一个新兴领域，融合了经典神经网络和当前噪声中等规模量子设备上的量子变分电路的优势。本文对不同混合量子经典机器学习算法（即量子卷积神经网络、量子卷积网络和量子ResNet）在图像分类中的应用进行了广泛的比较分析。本文设计的实验聚焦于不同的量子机器学习（QML）算法，以更好地理解不同量子架构间的准确性变化，方法是通过实现可互换的量子电路层，改变这些层的重复次数及其有效放置。这些变化使我们能够比较给定混合QML算法的不同架构排列间的准确性。基于准确性的混合模型性能比较使我们理解混合量子经典收敛与电路中的量子层数量和量子比特数量变化之间的关系。