量子科技中心_量科网

近年来，“量子机器学习”（QML）发展迅猛，作为实现量子计算竞争力的前沿路径崭露头角。该工作聚焦“量子极限学习机”（QELM）——一种训练过程仅限定于输出层的量子化极限学习机变体。该架构整合了降维处理（通过PCA或自动编码器）、量子态编码、XX哈密顿量演化及测量等环节，为单层分类器生成特征。通过分析QELM性能随演化时间的演变规律，研究人员观测到准确率会经历一个从低精度到高精度的急剧跃迁，随后趋于饱和。值得注意的是，饱和精度值与随机酉变换所获结果一致（此类变换可引发最大复杂度动力学行为，实现系统内信息最优混洗）。在所有研究案例中，临界跃迁时间仅需满足信息传递至最近邻节点的需求即可支持特征提取学习，且与系统规模（即量子比特数）无关。这一特性表明，对于广泛任务类型，QELM均可通过经典计算机实现高效模拟。