基于预训练树张量网络的可训练量子神经网络用于多类图像分类
量子物理
2026-01-28 v1 人工智能
机器学习
摘要
树张量网络（Tree Tensor Networks, TTN）提供了强大的图像分类模型。虽然这些 TTN 图像分类器在经典硬件上已显示出优异性能，但将其嵌入量子神经网络（Quantum Neural Networks, QNN）可能通过利用量子资源进一步提升性能。然而，为实现多类分类，将 TTN 分类器嵌入 QNN 仍具有挑战性。关键障碍包括大量 bond 维度所需的 high-order 门操作，以及为精确嵌入必需的 mid-circuit postselection，其成功率呈指数级下降。在本工作中，为缓解这些挑战，我们提出 forest tensor network（FTN）-classifier，通过聚合多个小 bond 维度的 TTN 来实现此目标。这使我们能够在嵌入电路中无需大型门即可进行多类分类。随后，我们通过扩展adiabatic 编码框架以适用于本研究的场景，并平滑地将 FTN-classifiers 编码到量子森林张量网络（quantum Forest Tensor Network, qFTN）-classifiers 中。在 MNIST 和 CIFAR-10 上的数值实验表明，我们能够成功训练 FTN-classifiers 并将其编码到 qFTN-classifiers 中，同时保持甚至提升预训练 FTN-classifiers 的性能。这些结果表明，TTN 分类模型与 QNN 之间的协同作用可提供一种稳健且可扩展的框架，用于多类量子增强图像分类。
引用
@article{arxiv.2504.14995,
title = {Trainable Quantum Neural Network for Multiclass Image Classification with the Power of Pre-trained Tree Tensor Networks},
author = {Keisuke Murota and Takumi Kobori},
journal= {arXiv preprint arXiv:2504.14995},
year = {2026}
}
备注
11 pages, 12 figures, 2 tables. This work has been submitted to the IEEE for possible publication