量子科技中心_量科网

向量的施密特分解可以理解为将奇异值分解（SVD）以向量形式表示。通过递归地对所有子系统应用基于SVD的施密特分解，向量可表示为二维向量张量积的线性组合。给定一个以张量积线性组合表示的向量，仅使用前k个主项即可获得该向量的k秩近似。因此，这种降维表示形式能在保留向量核心信息的同时消除微小噪声，其作用类似于基于SVD的去噪方法。该工作表明，基于训练样本均值向量的张量网络分解所确定的k值设计的量子电路，能够逼近整个数据集的降维表示。研究人员随后将此类电路结构与经典神经网络头部结合，构建混合机器学习模型。由于该量子电路对2^n维向量的输出是n维概率向量，这实现了输入数据的指数级压缩，有望大幅减少大规模模型训练中的可学习参数量。实验采用Python scikit-learn模块提供的数据集，结果证实量子电路能成功压缩数据，为经典处理组件提供有效的k秩近似。