量子科技中心_量科网

流模型是现代机器学习的重要基石。作为生成模型，它们能根据学习到的动态规律渐进地转换概率分布。具体而言，这类模型通过学习连续时间马尔可夫过程，高效地将简单源分布的样本映射为复杂目标分布的样本。该研究团队证明，这些模型与具有非常规连续变量哈密顿量的薛定谔方程存在自然关联。更重要的是，研究人员证实该哈密顿量生成的动力学过程可在量子计算机上进行高效模拟。这些发现共同构建了一个量子算法框架，通过将任务分解为现有经典学习问题和哈密顿量模拟，能为流模型可表达的广泛概率分布族制备相干编码（即量子样本）。对于流模型定义的统计问题（如均值估计和属性检验），这使得可以采用专为量子样本设计的量子算法，相比仅基于流模型样本的经典算法可能具有优势。更广泛而言，这些成果揭示了流匹配、扩散模型等前沿机器学习模型与量子计算机核心预期能力——模拟量子动力学之间存在的深刻联系。