EXAQC 将进化式量子电路发现扩展到图像分类，在 CIFAR-10 上以超过 25 倍更少参数达到 85.68% 准确率
相关研究与后续进展
核心概要
该工作把进化式量子电路发现框架 EXAQC 扩展到图像分类，将参数化量子电路作为中间处理模块、保留经典特征提取与预测层，在 MNIST、Fashion-MNIST、CIFAR-10 上分别达到 98.42%、90.62%、85.47% 准确率，门数与其他量子架构搜索方法相当，并以超过 25 倍更少的可训练参数在 CIFAR-10 上达到 85.68%，同时发现旋转型编码（RX、RY、U3）在 CIFAR-10 上比振幅编码高出 22-25 个百分点。
Figure 1: Overview of the proposed EXAQC hybrid quantum classical architecture. A CNN encoder compresses the input image into a lower-dimensional representation that is encoded and processed by an evolved PQC. Quantum measurements are subsequently mapped to class predictions by a classical decoder.
arXiv深度剖析
EXAQC 被扩展到图像分类任务，通过进化自动发现参数化量子电路，并将其作为经典特征提取与预测层之间的中间处理模块。 此前多数方法依赖手工设计或固定的电路 ansatz，需要预先指定电路结构、门组成与量子比特连接方式，且不保证适配任务；该工作把电路结构的选择从人工指定转为自动搜索。 摘要说明 EXAQC 是已有的进化式量子电路发现框架，本文将其扩展至图像分类；实验覆盖 MNIST、Fashion-MNIST、CIFAR-10 三个数据集。
进化得到的混合模型在三个图像数据集上取得 98.42%、90.62%、85.47% 的准确率，且门数与其它量子架构搜索方法相当。 在保持与同类量子架构搜索方法可比门数的前提下给出具体准确率，说明自动发现的紧凑量子模块可用于图像分类。 摘要报告了三个数据集的具体准确率数值，并以门数作为与其它量子架构搜索方法的可比性指标。
与经典网络相比，进化出的混合模型在准确率相当的情况下可训练参数显著更少，在 CIFAR-10 上以超过 25 倍更少的参数达到 85.68%。 把量子模块定位为可替代更大经典组件的紧凑部件，而不仅是与经典模型比拼准确率。 摘要给出与 10 层 CNN 的参数对比（超过 25 倍更少）以及 CIFAR-10 上 85.68% 的准确率。
编码方式影响显著：旋转型编码（RX、RY、U3）在 CIFAR-10 上比振幅编码高出 22-25 个百分点。 把数据编码选择识别为混合量子-经典图像分类中的关键设计变量，而不仅是电路结构本身。 摘要报告了 CIFAR-10 上旋转型编码相对振幅编码的 22-25 个百分点差距。
启示与展望
该工作面向图像分类场景，适用于希望以自动搜索替代手工设计量子电路、并在经典特征提取与预测层之间插入紧凑量子模块的研究者与工程实践者。其结论建立在 MNIST、Fashion-MNIST、CIFAR-10 三个基准数据集之上，并以门数与可训练参数作为与其它量子架构搜索方法及经典网络比较的维度。
可获取文本为摘要层面信息，未包含进化算法细节、电路表示、搜索代价、训练配置与统计显著性等信息，因此这些方面的具体做法仍是开放问题。旋转型编码优于振幅编码的 22-25 个百分点差距是在 CIFAR-10 上报告的，其在其它数据集与其它编码方案下的表现有待进一步了解。参数效率对比以 10 层 CNN 为参照，其它经典架构下的相对表现同样值得关注。