抗噪声混合量子神经网络框架：在NISQ时代实现可靠的量子机器学习

本文介绍了一个系统性的抗噪声混合量子神经网络（HQNN）框架，通过稳定性正则化、多可观测量子特征提取、学习型经典读出等创新技术，在模拟NISQ噪声环境下实现96%准确率，为量子机器学习实际部署提供可行方案。该框架关注混合流程的完整性，包括噪声注入、特征提取、经典读出解释等环节，显著提升模型鲁棒性。

当前量子计算机处于NISQ时代，量子比特数量足够但噪声高，导致量子机器学习模型在真实硬件上性能急剧下降。传统HQNN使用固定奇偶校验阈值进行经典读出，压缩了丰富的量子测量信息，造成有用信息丢失。研究核心洞察：HQNN性能依赖完整混合流程（噪声注入、特征提取、读出解释、纠缠架构选择、鲁棒性验证）。

该框架有四大创新：

1. 学习型经典读出机制：将电路测量分布作为量子特征输入学习型读出层，使噪声准确率从36.67%提升至82.22%；
2. 多可观测特征提取：构建31维特征向量（比特串概率分布、单量子比特Z期望、成对ZZ相关性等），为经典模型提供丰富信息；
3. 稳定性正则化训练：结合干净/噪声行为及扰动稳定性，最佳配置在退极化噪声下干净与噪声准确率均达96%，无性能损失；
4. 架构搜索优化：线性纠缠配合随机森林读出表现最佳，干净/噪声准确率分别为89.33%和88.67%。

多通道噪声测试（eval_noise=0.05）：

• 退极化噪声：干净96%/噪声94.67%，准确率下降0.0133；
• 比特翻转：干净94.67%/噪声94.67%，无下降；
• 相位翻转：干净95.33%/噪声95.33%，无下降；
• 振幅阻尼：干净96%/噪声92.67%，下降0.0333。 噪声扫描实验：线性HQNN在噪声水平≤0.05时准确率稳定在84.67%，仅在>0.07时明显下降。

框架基于成熟工具链构建：

• 量子计算SDK：Qiskit、Cirq；
• 模拟器与ML库：Qiskit Aer、Qiskit Machine Learning、PennyLane；
• 经典ML与数值工具：scikit-learn、NumPy、Matplotlib。 框架在这些库之上构建了可复用的评估、优化、报告及鲁棒性分析层。

项目包含13个演示实验，覆盖Qiskit、Cirq、PennyLane三大框架： 核心演示：HQNN玩具分类器、VQE能量最小化、QAOA MaxCut、抗噪声HQNN等； 行业启发演示：医疗风险分类、能源网格优化、网络安全异常检测、HQNN可解释性等。

该研究提供了从简单HQNN基准到可复用方法论的完整路径，助力发现抗噪声混合量子-经典学习配置。为实践者提供标准化数据集处理、噪声分析工具箱、鲁棒性指标及完整基准流水线。随着量子硬件发展，这种系统性噪声鲁棒性研究将成为量子机器学习从实验室走向应用的关键桥梁。