资源高效的量子内核
量子处理器可通过将高维数据映射到量子系统进行处理来增强机器学习能力。目前传统的量子核(或称特征映射)将数据特征编码到量子电路的方法尚不实用,因为纠缠门数量会随数据集维度和量子比特数呈平方级增长。该研究团队提出了一种新型量子核设计,能在显著减少量子比特数和纠缠操作的前提下处理高维数据。该方法在保持数据关键特征的同时提升了计算效率,基准数据集的广泛实验表明,相较于最先进的量子特征映射技术,该方案在精度和资源利用率上均有显著提升。噪声模拟结果结合较低的资源需求,凸显了该量子核在当前噪声中尺度量子设备限制下的可行操作性。通过数值模拟及在超导电路量子计算平台的小规模实施,研究人员证实该方案的分类性能可媲美或超越一组经典算法。这些发现为在近未来量子计算平台上实际部署量子机器学习算法开辟了前景广阔的路径。
