量子神经网络二分类：前馈与反向传播架构的深度评估

一项系统评估量子神经网络在二分类任务中表现的研究，对比量子前馈神经网络(QFNN)和量子反向传播神经网络(QBPNN)两种架构，使用PennyLane框架在六个经典数据集上实验验证，揭示不同设计选择对性能的影响，为量子机器学习实用化提供实证参考。

量子计算与机器学习交叉领域快速发展，量子神经网络(QNN)作为重要分支有望超越经典算法，但缺乏不同架构在实际分类任务中的系统性对比。尼泊尔研究团队Sahaj Raj Malla和Sudan Jha针对此问题，专注二分类任务，设计并实现QFNN和QBPNN两种架构，在六个代表性数据集上全面评估。

量子前馈神经网络(QFNN)

采用三层干涉层设计，通过量子门实现信息单向传播，每层含参数化量子门可优化，使用PennyLane框架（支持自动微分）实现。

量子反向传播神经网络(QBPNN)

六层结构并引入残差连接（缓解梯度消失），允许信息双向流动，理论上捕捉更复杂特征关系，借鉴经典深度学习经验。

选择六个不同特征的二分类数据集测试：

• Linear Blobs（线性可分基准）
• XOR（经典非线性问题）
• Circles（同心圆分布）
• Moons（月牙形非线性边界）
• Gaussian Quantiles（高斯分位数数据）
• Iris (2D)（鸢尾花数据集降维版） 涵盖简单线性到复杂非线性场景，全面评估泛化能力。

实验采用经典模拟（2量子比特），训练用Adam优化器（批量32），5折交叉验证确保可靠。三种测量配置对比：

1. Phase and Measure（仅相位门和测量）
2. Interference and Measure（引入干涉后测量）
3. All（完整量子门集合） 评估指标包括准确率、精确率、召回率、F1分数，多维度衡量性能。

研究提供量子神经网络实际应用性能的实证数据，揭示不同设计影响：残差连接在深层量子网络有效、测量策略表现差异等，为后续研究提供参考。更重要的是，展示量子机器学习从理论到实用化的关键一步，证明当前QNN在特定任务具备可接受性能，为复杂问题应用奠定基础。

复现步骤：安装依赖后运行python src/train.py，支持早停机制监控验证损失防过拟合。扩展方向：探索更多量子电路设计、尝试不同优化策略、扩展至多分类任务。项目代码结构清晰（src/train.py核心、logs/results/models等目录）、文档完善，MIT协议开源，适合量子ML入门开发者。