量子科技中心_量科网

量子机器学习（QML）是否能带来变革性优势仍是一个悬而未决的问题。当前NISQ硬件存在的严重限制——尤其是电路深度与连通性——既阻碍了量子优势的验证，也妨碍了对诸如贫瘠高原等主要障碍的实证研究。电路切割技术作为一种新兴策略，通过将大型量子电路分割成子电路，使其能在规模较小、连通性较差的硬件上运行。然而与传统完整电路直接估算相比，这种分割方式需要通过经典后处理来精确估计期望值，从而导致所需样本量大幅增加。该工作创新性地在QML优化过程中引入新型正则化项，直接针对采样相关开销进行惩罚。研究团队验证了这一方法可使优化器在门切割优势与典型机器学习损失函数优化之间实现平衡——具体而言，该方法能权衡切割开销最小化与QML模型整体精度保持之间的关系，为探索更大规模的复杂问题以追求量子优势开辟了新路径。