Quantum‑inspirierte Convolutional‑Netzwerke verbessern Herzgeräusch‑Erkennung

Ein neues Lernparadigma, das Prinzipien der probabilistischen Inferenz, variationalen Optimierung und quanteninspirierten Transformationen in Convolutional‑Netzwerke integriert, wurde vorgestellt. Das QiVC‑Framework nutzt einen quanteninspirierten Rotationsmechanismus, um die Gewichte von Convolutional‑Schichten in einem niedrigdimensionalen Unterraum zu drehen. Dadurch entstehen strukturierte Unsicherheitsmodelle, die die Geometrie des Parameterraums bewahren und gleichzeitig robustere, ausdrucksstärkere Darstellungen liefern.

Der zentrale Baustein, das QiRE‑Modul, führt differenzierbare Rotationen der Gewichte durch, ohne zusätzliche Parameter einzuführen. Diese Ensemble‑Rotation sorgt für Stabilität und reduziert die Rechenlast, während die Netzwerkarchitektur ihre ursprüngliche Komplexität beibehält. Das Ergebnis ist ein leichtgewichtiges, aber leistungsfähiges Modell, das sich besonders für datenintensive Anwendungsfälle eignet.

Um die Praxistauglichkeit zu demonstrieren, wurde das QiVC‑Netzwerk auf die Klassifizierung von Phonocardiogram‑Aufnahmen (PCG) angewendet – ein Bereich, der durch hohe Rauschbelastung, große Inter‑Subjekt‑Variabilität und unausgeglichene Datensätze gekennzeichnet ist. Die Architektur wurde speziell so gestaltet, dass die QiVC‑Schicht keine zusätzlichen Parameter hinzufügt, sondern die Gewichte strukturiert rotiert, um die Robustheit zu erhöhen.

In Experimenten mit den Benchmark‑Datensätzen PhysioNet CinC 2016 und PhysioNet CirCor DigiScope 2022 erzielte das QiVC‑Netzwerk beeindruckende Genauigkeiten von 97,84 % bzw. 97,89 %. Diese Ergebnisse setzen neue Maßstäbe in der Herzgeräusch‑Erkennung und zeigen die Vielseitigkeit des QiVC‑Ansatzes für komplexe Biosignal‑Klassifikationsaufgaben auf.