量子科技中心_量科网

多模态概率分布在量子与经典系统中均普遍存在，但当模态数量庞大或未知时，对其建模仍具挑战性。传统方法如混合密度网络（MDN）可扩展性较差，其参数数量随模态数呈平方级增长。该研究团队提出量子混合密度网络（Q-MDN），利用参数化量子电路高效建模多模态分布。通过量子比特与紧凑参数集实现对指数级模态的表示，Q-MDN能以高分辨率预测高斯混合分量。研究人员在量子双缝实验和混沌逻辑分岔两个基准任务中验证模型性能。结果显示，在相同参数预算下，Q-MDN在模态分离度和预测锐度上均超越经典MDN。该工作证实了量子技术在概率回归中的实用优势，彰显了量子机器学习在捕捉经典模型难以处理的复杂随机行为方面的潜力。