量子计算机上的机器学习因有望为不同任务提供计算加速而备受关注。然而，深度变分量子电路需要大量可训练参数，这些参数随着量子比特数和电路深度的增加而增长，通常导致训练难以实现。该研究团队提出了自适应插值量子变换（AIQT）这一量子原生框架，可实现灵活高效的学习。AIQT通过定义可训练酉算子，在哈达玛变换与量子傅里叶变换等量子变换间进行插值，在控制参数开销的同时实现高表达力的量子态操控，并能继承组成变换中的量子优势。实验结果表明，AIQT能以最少的参数量实现高性能，为深度变分电路提供了可扩展且可解释的替代方案。
