量子科技中心_量科网

量子机器学习（QML）作为嘈杂中等规模量子（NISQ）时代极具前景的研究方向，通过利用量子叠加与纠缠特性，展现出计算与内存效率优势。然而受硬件限制，这类模型在可扩展性与表达能力方面常面临挑战。本研究提出量子专家混合架构（QMoE），首次将专家混合范式（MoE）引入量子机器学习领域。该架构包含多个作为专家模型的可参数化量子电路，以及可学习的量子路由机制，该机制能根据输入动态选择并聚合特定量子专家。在量子分类任务中的实验表明，该团队提出的QMoE架构性能持续超越标准量子神经网络，凸显其在学习复杂数据模式方面的有效性。该工作为构建可扩展、可解释的量子学习框架奠定了基础。