量子科技中心_量科网

量子硬件的近期进展推动了将量子采样与经典推断相结合的算法框架的开发。该工作提出了一种针对量子神经网络（QNN）设计的基于分段分割的回归方法，其中实数输出被编码为b进制数字序列，并通过逐位贪婪优化进行推断。通过将回归任务转化为结构化数字格上的约束组合问题，该方法用可解释且易处理的更新替代了连续推断。研究采用混合量子-经典架构：量子电路通过投影测量生成候选数字，而经典前向模型则根据任务特定的误差函数评估这些候选方案。该团队从第一性原理出发对算法进行形式化推导，给出了收敛性和复杂度边界证明，并在涉及偏微分方程约束模型的反问题中验证了其有效性。最终框架为量子输出与连续科学推断之间提供了高精度、鲁棒的交互接口。