量子科技中心_量科网

瞬时量子多项式（IQP）量子电路玻恩机（QCBM）作为一种基于比特串的量子生成模型展现出显著潜力。近期研究表明，在所谓高斯核最大均值差异（MMD）损失函数条件下，IQP-QCBM的训练具有经典计算可行性，同时仍保持量子采样优势的可能性。然而，该模型在通用性方面存在若干亟待改进的关键点：（1）基础模型已被证实不具备通用性——即无法表示任意概率分布，且此前未知能否通过引入隐藏（辅助）量子比特实现通用性；（2）MMD损失中固定高斯核可能导致训练问题，例如梯度消失。本文不仅解决了第一个问题，更在第二个问题上取得突破性进展。该团队证明对于n量子比特的IQP生成器，添加n+1个隐藏量子比特即可使模型具备通用性。针对后者，该团队提出核自适应训练方法，通过对抗训练优化核函数。研究表明在核自适应方法中，MMD值的收敛意味着生成器分布弱收敛。该团队还对基于MMD训练方法的局限性进行了理论分析。最后，通过在定制数据集上验证，结果表明核自适应训练在总变差距离上优于固定高斯核，且优势随数据维度增加而扩大。这些改进与分析揭示了新型量子生成方法的边界与潜力，即便在没有可扩展量子计算机的条件下，也能为经典模型与量子模型的比较研究提供首个真正可扩展的理论框架。