量子科技中心_量科网

量子机器学习在高维数据分析领域已展现出潜力，但现有多数方法依赖于线性酉操作和输出间共享的可训练参数。这些限制使其表达能力与可扩展性逊色于经典深度网络的多层非线性架构。该研究团队提出叠加参数化量子电路以突破这些局限——通过结合触发器量子随机存取存储器与“重复直至成功”协议，该架构在单一电路中嵌入指数级数量的参数化子模型，并通过振幅变换与后选择实现多项式激活函数。 理论分析表明，该架构能并行训练多组参数，同时非线性振幅变换将表征能力拓展至超越传统量子核的范畴。数值实验突显其优势：在1D阶跃函数回归任务中，两量子比特叠加电路较参数匹配的变分基准模型将均方误差降低三个数量级；在2D星形分类任务中，引入二次激活使准确率提升至81.4%并降低三分之二的运行间方差。这些成果标志着叠加参数化量子电路成为通向更深层、更通用量子学习架构的硬件高效路径，能够捕捉复杂决策边界。