使用自编码器与代理驱动训练的冷原子储备池计算医学图像分类

我们引入了一种基于中性原子储备池计算的量子-经典混合流水线，用于医学图像分类，重点关注息肉检测的二元分类任务。为有效处理高维问题，我们集成了一个引导自编码器。该流水线学习图像数据的紧凑且具判别性的表示，这些表示也适用于量子储备池计算。此类系统中的一个关键挑战是量子测量的不可微性质，这为标准训练产生了“梯度障碍”。我们通过引入一个模拟量子层的可微代理模型来克服这一障碍，从而实现整个系统的端到端反向传播。该引导训练过程联合优化分类准确率和自编码器的忠实图像恢复。学习到的潜在表示被编码为 Rydberg 哈密顿量内的脉冲失谐参数，随后通过期望值获得量子嵌入。然后将这些嵌入传递给线性分类器。我们的仿真表明，该方法优于一些使用 PCA 或无引导自编码器的传统方法。我们还进行了消融研究以评估各种量子和训练参数的影响，证明了我们提出的流水线在现实世界医学成像应用中的鲁棒性和灵活性，即使在当前的 NISQ 时代亦然。