本文研究了一种新型量子卷积神经网络（QCNN）的实现，旨在对修改后的国家标准与技术研究所（MNIST）数据集中的图像进行二分类。我们借鉴了以往的QCNN和经典卷积神经网络（CNN）实现，采用分层分区方法来实现一个QCNN电路，使其能够在经典机器上高效地被近似和模拟，以处理大规模问题。
首先，原始图像被划分为多个部分，每个处理过程处理图像的一小部分，并将其编码为独立状态。随后，这些部分合并，形成包含两个部分信息的新状态，同时减少处理过程的数量。
经过多次重复这一过程，直至仅剩一个处理过程，我们进一步降低状态的维度，直到只剩一个量子比特进行测量。
通过这种方法，我们可以并行使用多个处理过程来模拟大型QCNN程序，而无需随着量子比特数量的增加而指数级增长硬件需求。在我们的研究中，我们使用这一方案训练了一个128量子比特的模型，而这一模型在没有新架构的情况下无法在任何经典超级计算机上运行。
此外，我们还探讨了这种新模型架构对预测准确性的影响，通过训练其在MNIST数据集上进行二分类，并与未分区的模型进行比较。初步发现表明，使用这种架构将图像划分为更小的子图像并不会降低模型性能，甚至在某些情况下有所提升，这可能是因为在分区过程中减轻了Barren plateaus问题的影响。
博主点评： 该研究通过创新的分层分区方法，展示了量子神经网络在经典计算机上的可行性，解决了量子计算中的硬件限制问题。这种方法不仅提升了模型的可扩展性，还可能带来更高的预测准确性，值得进一步探讨与应用。