王港曦1, 李永梅1, 潘成康1*, 赵文定2, 谢宁一2, 朱赟3, 崔春风1 等人在《中国科学:物理学 力学 天文学》2025年第55卷第4期发表了一篇题为《基于量子-经典混合残差网络的时频信号识别》的研究论文。该研究由来自中国移动通信研究院、华翊博奥(北京)量子科技有限公司以及赣南师范大学物理与电子信息学院的研究团队共同完成，主要探讨了量子机器学习在时频信号处理中的应用，特别是在雷达识别场景中的多任务识别。

学术背景

量子机器学习是机器学习与量子信息科学的交叉领域，量子计算为机器学习提供了全新的范式，展现出在扩展应用场景和提升学习能力方面的巨大潜力。然而，当前量子计算领域仍处于含有噪声的中等规模量子计算（Noisy Intermediate-Scale Quantum, NISQ）时代，使用较少量子比特和较浅线路的变分量子算法成为实现量子计算应用的主要方案。基于变分的量子机器学习通过将参数化量子线路（Parameterized Quantum Circuits, PQCs）与经典神经网络结合，减少对量子硬件的要求，同时兼顾量子计算的优势和经典计算的普适性。相比于经典机器学习算法，基于参数化量子线路的量子算法在特定问题场景中展现出计算速度或性能上的优势，尤其是在小尺寸模型下具有更强的噪声鲁棒性和表达能力。

时频信号分析是指同时在时域和频域对采集到的信号进行研究的技术，旨在通过数学手段对非平稳信号进行准确刻画，揭示其背后的自然规律和物理规律。传统的时频信号分析手段包括傅里叶变换、小波分析、自回归滑动平均模型等。随着硬件设备和算法的快速发展，时频信号分析在地震探测、天文学探测、医疗和生物电信号处理等领域得到了广泛应用。然而，尽管残差神经网络（Residual Neural Network, ResNet）在时频信号处理中取得了良好效果，但仍存在识别效果不佳、对噪声鲁棒性不强等缺点。

研究流程

本研究提出了一种量子-经典混合残差网络（Quantum-Classical Hybrid Residual Network, QCH-ResNet），用于雷达识别场景下的时频信号多任务识别。该模型融合了参数化量子线路与经典残差神经网络，旨在在高噪声环境下实现精准的分类与检测。

1. 模型构建
   研究团队首先在实幅线路（Real Amplitude Circuit）中引入全连接层，构造了参数化量子线路模块（PQC模块）。该模块通过控制输入输出的维度，提升了量子电路的可训练性和模型的表达能力。随后，将PQC模块接入经典残差网络（ResNet18）的输出层，构成QCH-ResNet模型。模型通过参数平移法进行梯度更新，确保了量子线路参数的优化。

2. 实验场景与数据集生成
   研究团队利用MATLAB构建了一个针对雷达识别人车混流交通场景的仿真模拟器，生成了包含25000张时频图像的数据集，用于训练和测试。数据集包含5个类别：单一行人目标、单一自行车目标、双行人、双自行车和一行人一自行车。在模拟信号生成过程中，加入了模拟反射运动物体和道路中障碍物的雷达信号作为噪声，并通过参数调整信噪比。

3. 目标分类实验
   在目标分类任务中，QCH-ResNet与ResNet18和ResNet18+FC（全连接层替换量子模块）进行了对比。实验结果表明，QCH-ResNet在分类精度和噪声鲁棒性方面显著优于传统残差神经网络，准确率达到了89.46%。特别是在高噪声环境下，QCH-ResNet表现出更强的鲁棒性。

4. 速度检测实验
   在速度检测任务中，研究团队模拟了单一行人处于不同初始位置和速度下的单雷达探测信号，并生成了包含5000张图像的数据集。实验结果显示，QCH-ResNet在单通道时频图像数据集上的损失值较大，但在三通道时频图像数据集上表现显著提升，平均损失值达到0.0031，基本实现了雷达测算速度的需求。

5. 噪声鲁棒性评估
   为了评估模型在不同噪声环境下的性能，研究团队构建了多个不同信噪比水平的数据集（50 dB、20 dB、10 dB和0 dB）。实验结果表明，随着信噪比的恶化，QCH-ResNet相较于ResNet18和ResNet18+FC表现出越发显著的性能优势，特别是在0 dB信噪比下，QCH-ResNet在所有测试集上均取得了领先。

主要结果

QCH-ResNet在分类精度和噪声鲁棒性方面显著优于传统残差神经网络，特别是在高噪声环境下表现出更强的鲁棒性。在目标分类任务中，QCH-ResNet的准确率达到了89.46%，高于ResNet18和ResNet18+FC。在速度检测任务中，QCH-ResNet在三通道时频图像数据集上的平均损失值为0.0031，显著优于单通道数据集的结果。此外，QCH-ResNet在不同信噪比下的表现均优于传统残差神经网络，特别是在0 dB信噪比下，QCH-ResNet在所有测试集上均取得了领先。

结论与意义

本研究提出的量子-经典混合残差网络（QCH-ResNet）成功应用于时频图像识别的多类型识别中，特别是在交通雷达探测场景中表现出色。实验结果表明，相较于传统ResNet，QCH-ResNet具有更高的识别精度和更强的噪声鲁棒性。这不仅验证了量子机器学习的潜力，还为非民用雷达信号处理等公开数据量少的实际场景提供了创新性解决方案。随着量子计算机能力的不断提升，量子比特数目和线路深度可以进一步增加，QCH-ResNet的识别能力和数据表达能力也将进一步提升。

研究亮点

1. 创新性模型：QCH-ResNet首次将参数化量子线路与经典残差神经网络结合，实现了量子-经典混合计算在时频信号处理中的应用。
2. 高噪声鲁棒性：QCH-ResNet在高噪声环境下表现出显著的性能优势，特别是在0 dB信噪比下，仍能保持较高的识别准确率。
3. 多任务识别：QCH-ResNet不仅适用于目标分类，还可用于速度检测和位置识别，展现了其在多任务识别中的广泛应用潜力。
4. 实验验证：研究团队通过大量实验验证了QCH-ResNet的性能，特别是在不同信噪比下的表现，为量子机器学习在实际应用中的可行性提供了有力证据。

其他有价值的内容

研究团队还探讨了不同规模（量子比特数）QCH-ResNet的性能表现，结果表明，当量子比特数大于2时，QCH-ResNet在各个指标上均超过了传统残差神经网络。此外，研究团队还提出了利用贝叶斯推断等方法进一步提升网络识别准确率的可能性，为未来的研究提供了方向。