量子科技中心_量科网

尽管量子机器学习（QML）的最新进展为增强生成模型（尤其在分子设计领域）提供了重要潜力，但大量经典方法在实现高保真度和有效性方面仍面临挑战。特别是在将QML与基于序列的任务（如简化分子线性输入规范SMILES字符串重构）结合时，现有研究仍显不足且普遍存在保真度下降问题。该研究团队提出了一种混合量子-经典架构用于SMILES重构，通过将量子编码与经典序列建模相结合，同步提升量子态保真度与经典结构相似性。该方法实现了约84%的量子态保真度及60%的经典重构相似度，超越了现有量子基准线。该工作为未来QML应用奠定了重要基础，在富有表现力的量子表征与经典序列模型间取得平衡，并推动分子与药物发现领域量子感知序列模型的更广泛研究。