用于边缘量子AI的参数高效连续变量光子量子神经网络：口腔癌检测演示

口腔癌的早期检测显著改善临床结果，但在资源匮乏的环境中，专门的诊断工具仍然稀缺。基于智能手机的筛查是一种可扩展的替代方案，但需要轻量级模型，在边缘硬件约束内运行。混合经典-量子架构正在成为参数高效学习的新兴候选者，但大多数依赖于需要低温操作的量子比特硬件，不适合边缘部署。在室温下运行的连续变量（CV）光子量子计算提供了一条补充途径。我们研究了一种用于从智能手机图像检测口腔癌的混合经典-CV量子分类器。该流程结合了MobileNetV1特征提取器、主成分分析到16维，以及在光子后端上的位移、干涉和Kerr门的参数化CV-QNN。我们提出了一种简化的$\Phi \circ D \circ U_1$ CV-QNN架构，相对于Killoran等人（2019a）的标准CV-QNN层，将可训练参数减少了40-45%，并确定了缓解贫瘠高原的降维和编码限制策略，将损失梯度方差提高了大约58个数量级。简化层是否优于完整层取决于宽度：完整层在两个qumode下保持小而显著的边缘，而简化层在四个qumode下使用44%更少的参数显著更好。最强的模型，一个仅18个参数的四qumode简化CV-QNN，在所有模型中达到最高的验证AUC，超过使用67%更少参数的55参数经典基线，并在所有种子中达到100%的校准测试准确率。这些结果支持CV光子量子机器学习用于参数高效、室温医学图像分类，并推动边缘量子AI的进展。