量子科技中心_量科网

当前量子计算机需要能够经济利用有限资源的算法。在量子机器学习领域，成功的关键在于量子特征映射，它将经典数据嵌入到量子比特的状态空间中。该研究团队引入了通过分析迭代重构的量子特征映射学习算法（Q-FLAIR），该算法在迭代特征映射电路构建中减少了量子资源开销。它通过仅使用少量评估，利用量子模型的部分分析重构将工作负载转移到经典计算机上。对于ansatz中每个探测的门添加，数据特征和权重参数的同时选择和优化过程完全在经典计算机上完成。 将Q-FLAIR集成到量子神经网络和量子核支持向量分类器中，该算法展现了最先进的基准性能。由于资源开销与特征维度解耦，该研究团队在真实的IBM设备上仅用四小时就训练了一个量子模型，在完整分辨率的MNIST数据集（784个特征，数字3与5分类）上准确率超过90%。这样的结果先前是无法实现的，因为特征维度会极大地增加固定硬件的需求以及自适应ansatz的搜索成本。 通过重新思考超越黑盒优化的特征映射学习，该工作朝着实现现实世界问题的量子机器学习和近期量子计算机的应用迈出了具体的一步。