量子科技中心_量科网

量子储备计算（QRC）是一种面向近期量子机器学习的新兴框架，它具备内存内处理能力、兼容模拟与数字系统的平台通用性，并能规避贫瘠高原和局部极小值等典型训练难题。相较于经典设定，量子储备系统指数级增长的独立特征维度为实现性能突破提供了可能。然而这种指数扩展可能受限于量子测量中的有限系综噪声——为提取有效输出需要指数级样本量的指数集中现象，这是量子机器学习领域的普遍挑战。本研究突破静态量子机器学习任务的局限，通过量子扰动储备系统解决了时序处理中的QRC集中问题。在阐明集中效应如何制约QRC性能的基础上，该团队证明利用哈密顿对称性能显著抑制集中效应，从而实现鲁棒且可扩展的QRC应用。该策略在包括知名QRC设计在内的多个案例中得到验证。