量子科技中心_量科网

隐式量子马尔可夫模型（HQMM）将经典隐式马尔可夫模型拓展至量子领域，为具有量子相干性的序列数据建模提供了强大的概率框架。然而，现有HQMM学习算法对数据损坏高度敏感，且缺乏在对抗性扰动下确保鲁棒性的机制。该工作提出“对抗性损坏HQMM”（AC-HQMM），通过允许观测序列中可控比例的对抗性损坏，实现了鲁棒性分析的形式化。为学习AC-HQMM，研究人员开发了“鲁棒迭代学习算法”（RILA），这种无导数方法将“基于熵过滤的损坏行移除”（RCR-EF）模块与迭代随机重采样过程相结合，以生成物理有效的Kraus算子更新。RILA引入L1惩罚似然目标函数以增强稳定性、抵抗过拟合并保持非可微条件下的有效性。在多个HQMM和HMM基准测试中，相比现有算法，RILA展现出更优的收敛稳定性、损坏抵抗能力及物理有效性保持特性，为量子序列学习的鲁棒性提供了原则性高效解决方案。