TunnElQNN：一种高效学习的混合量子-经典神经网络

混合量子-经典神经网络（HQCNN）代表了机器学习中的一个前沿领域，利用两者模型的互补优势。在本工作中，我们提出了开发 TunnElQNN 的方案，这是一种非序列架构，由交替的经典和量子层组成。在经典组件中，我们采用隧穿二极管激活函数（Tunnelling Diode Activation Function, TDAF），灵感来自量子隧穿的 I-V 特性。在包含不同程度类别重叠的交叉半圆合成数据集上评估了该混合模型的性能，用于多类分类任务。该模型与采用常规 ReLU 激活函数（ReLUQNN）的基线混合架构进行了比较。我们的结果表明，TunnElQNN 模型始终优于 ReLUQNN。此外，我们分析了在不同类别重叠程度下 TunnElQNN 生成的决策边界，并将其与实施 TDAF 的纯经典神经网络所产生的决策边界进行了比较。这些发现突显了将物理启发的激活函数与量子组件集成，以增强混合量子-经典机器学习架构表达性和鲁棒性的潜力。