量子科技中心_量科网

概率机器学习模型的独特之处在于其能够整合噪声统计特性、平滑参数及训练数据不确定性的先验知识。常用方法采用高斯过程进行数据建模，但当训练数据集扩大时，其计算复杂度会迅速变得难以处理。为解决这一局限，该研究团队提出了一种基于随机傅里叶特征核近似的量子辅助稀疏高斯过程回归算法。该工作首先通过多控制酉操作将数据矩阵编码为量子态，该操作实现了用于核近似的随机傅里叶特征矩阵的经典表示编码。随后，研究人员结合量子主成分分析与量子相位估计技术来提取核矩阵的谱分解，并根据特征值对辅助量子位施加条件旋转操作。通过哈达玛测试和交换测试，该算法最终计算出后验高斯分布的均值与方差。相比经典方法，该方案实现了多项式量级的计算加速。