在IBM量子计算机上的图像分类

在真实的嘈杂中等规模量子（NISQ）硬件上的量子机器学习在很大程度上仍局限于二元或少数类任务，受到硬件训练成本和推理时大型设备利用不足的限制。我们提出了一个统一的框架，在$127$量子比特的IBM Eagle处理器上端到端地对十类MNIST进行分类，有三个核心贡献。首先，一个两阶段协议将编码器和读出器的基于梯度的经典优化与量子参数的无梯度优化解耦，消除了使硬件训练不切实际的参数位移梯度成本。其次，我们首次将量子多编程引入训练好的量子分类器，将多个电路副本打包到一个设备上，以零平均精度成本提供并行推理，同时按比例减少量子处理器作业提交。第三，一项受控比较表明，硬件上的微调不会产生可测量的精度提升，这激发了一种实用的NISQ工作流程：在经典模拟器上训练，并仅将硬件保留用于推理。与匹配能力的经典网络相比，量子模块在此规模下没有显示出每参数精度优势；因此，我们将这项工作定位为当前硬件上多类量子图像分类的可行性和工作流程演示。