量子科技中心_量科网

要使一种机器学习范式具有普适性，它必须拥有通用逼近特性——即能够以任意精度逼近任意目标函数。在变分量子机器学习中，可学习函数类同时取决于数据编码方案和模型可优化部分的结构。该工作证明，最新提出的比特-比特编码方案能高效构建性地实现通用逼近特性。更重要的是，该团队揭示了这种结构可计算解决特定数据集学习问题所需量子比特数，从而建立了首个变分量子机器学习资源估算框架。 应用比特-比特编码对OpenML多个中型数据集测试发现，平均仅需20个量子比特即可完成编码。该研究还扩展出可处理超大规模数据集批处理的新编码方案，并成功应用于十亿级转录组Tahoe-100M数据集——实验表明其所需编码量子比特数已超越经典模拟能力上限。值得注意的是，研究发现所需量子比特数并不总是随数据集特征维度增加，在某些情况下反而可能减少。