量子神经网络准确性与鲁棒性的全面分析
量子物理
2026-04-30 v1
摘要
量子机器学习(QML)最近涌现为高度有前景的研究前沿。在此领域，Quantum Neural Networks(QNN)，其核心是变分量子电路(VQC)，并具有由经典算法优化的量子门层，吸引了广泛关注。然而，对其实际性能的严格且详尽的评估仍然 largely 不完整。在本研究中，我们对三种突出的混合经典-量子架构进行全面比较分析：Quantum Convolutional Neural Networks(QCNN)、Quantum Recurrent Neural Networks(QRNN)和 Quantum Vision Transformers(QViT)，关注 generalization、准确性和鲁棒性这三个关键维度。我们的发现提供了新颖见解，以弥补以前的评估差距。值得注意的是，虽然这些模型在低特征数据集(如 MNIST)上表现卓越，但在迁移到高特征数据集时，其学习效能显著下降。此外，卷积基模型如 QCNN 在高维数据上表现不如其他机器学习架构。此外，尽管所有模型都易受对抗性噪声影响，但传统架构(如循环和卷积网络)显示出更好的韧性。相反，在量子噪声存在时，基于转换器的架构证明其强大之处在于保持对测量噪声、信道噪声和有限抽样效应的高鲁棒性，而其他架构则表现显著下降。这些结果提供了对当前领域状态的粒度视角，并强调了在当前噪声中间规模量子(NISQ)环境中的约束，针对性地选择模型的重要性。
引用
@article{arxiv.2604.26110,
title = {A Comprehensive Analysis of Accuracy and Robustness in Quantum Neural Networks},
author = {Ban Q. Tran and Duong M. Chu and Hai T. D. Pham and Viet Q. Nguyen and Quan A. Pham and Susan Mengel},
journal= {arXiv preprint arXiv:2604.26110},
year = {2026}
}