量子科技中心_量科网

量子计算（QC）和机器学习（ML）的快速发展引发了广泛关注，推动了量子机器学习（QML）算法的广泛探索，以应对各种复杂挑战。开发高性能的QML模型需要专家级的知识，这成为QML广泛采用的一个关键挑战。关键的障碍包括设计有效的数据编码策略和参数化量子电路，这两者对于QML模型的性能至关重要。此外，测量过程常常被忽视——大多数现有的QML模型采用预定义的测量方案，这些方案可能不符合目标问题的特定需求。该团队提出了一种创新框架，使量子系统的可观测量——特别是厄米矩阵——可训练。该方法采用端到端的可微分学习框架，能够同时优化用于编程参数化可观测量的神经网络和标准量子电路参数。值得注意的是，量子可观测参数由神经网络动态编程，使可观测量能够根据输入数据流实时调整。通过数值模拟，研究团队证明了所提出的方法在变分量子电路中有效地动态编程可观测量，与现有方法相比取得了更优的结果。特别是，它提供了增强的性能指标，如更高的分类准确率，从而显著提高了QML模型的整体有效性。