量子科技中心_量科网

传统量子机器学习（QML）模型通常依赖对可观测量进行重复测量（shots）以获取可靠预测。这种对大量测量次数的依赖会导致高昂的推理成本和时间开销——由于量子硬件访问通常按测量次数计费，该问题尤为突出。本研究提出“单次测量即可”（Yomo）的创新设计，通过概率聚合机制取代泡利期望值输出，并引入促进明确预测的损失函数，仅需极少量测量（甚至单次）即可实现精准推理。理论分析表明Yomo规避了基于期望值模型固有的测量次数缩放限制，在MNIST和CIFAR-10数据集上的实验证实：无论测量预算如何变化或在含去极化信道的模拟环境中，Yomo均持续优于基线模型。通过实现精准的单次测量推理，该工作显著降低了QML部署的财务与算力成本，为QML的实际应用扫除了关键障碍。