量子科技中心_量科网

为充分发挥量子计算（QC）潜在的速度优势，量子机器学习（QML）研究日益受到重视。研究表明，QML模型中的角度编码技术可生成截断傅里叶级数，具备渐进式通用函数逼近能力。通过在量子电路中选取高效特征映射（FMs），该研究团队可利用傅里叶频率的指数级增长来提升逼近效果——在多维场景中，增加的输入维度会通过混合频率引发进一步的指数级扩展。然而实践中，量子模型在回归任务中经常失效。通过两项白盒实验，研究人员证明即使相关频率存在，由于可训练参数数量不足仍可能导致此类失效。针对双指数级频率增长带来的参数双指数膨胀问题，该工作提出频率选择与维度分离两项技术来约束参数量以提升可训练性：通过将QML模型限定在关键频率，并仅允许已知相互依赖的特征维度间产生混合频率，研究人员扩展了现有硬件可处理的问题范围。通过拟合两个已知频谱和维度依赖关系的白盒函数（这些函数无法用默认方法拟合），该团队验证了参数需求的降低。参数量的精简使得该工作能在含噪量子模拟器上完成训练，并在真实量子硬件上实现推理演示。