针对指纹识别的宽度匹配混合量子—经典自监督学习比较

arXiv:2609.39172v2 公告类型：replace-cross 摘要：指纹识别是一种广泛部署的生物识别技术，但监督训练需要大规模的带标签注册集。自监督学习（SSL）消除了这一要求，而混合量子—经典模型已被提出用于丰富所学习的表征。以往的量子 SSL 研究只考察单一对比学习目标，因此尚不清楚所报告的优势是否取决于目标函数，还是可以归因于量子电路。我们将 QuFeX 量子特征提取模块分别嵌入三种 SSL 框架：对比学习方法 SimCLR 和 MoCo v2，以及非对比学习方法 BYOL；在 SOCOFing 指纹数据集上，使用表示宽度匹配的设置（8 个特征，即 8 个量子比特），将每个混合模型与其经典对应模型进行比较，并以 CIFAR-10 作为对照，使用编码器特征进行 k 近邻识别。在单次运行实验中，对于两个对比学习目标，混合模型的得分均明显更高；而对于 BYOL，多随机种子分析显示不存在可靠差异，这表明任何优势都取决于 SSL 目标。硬件高效电路（QNet）未表现出相同的增益。我们考察了这些增益是否可以归因于量子电路，并分析了电路架构、可训练参数数量、非线性，以及 8 量子比特电路的经典可模拟性。