量子科技中心_量科网

量子机器学习被认为是量子计算机有望超越经典方法优势的领域之一。然而，当前计算机的有限规模限制了量子机器学习方法全部潜能的发挥。此外，量子与经典的不同计算范式各具优劣。要获得算法的最佳效果，需要根据底层计算范式调整算法，并将任务最优分配到可用计算资源中。 该研究团队探索了结合多种计算范式来解决三类数据集分类复杂任务的潜在收益：首先采用基于门电路的量子模型实现量子核函数并构建复杂特征映射；随后构建可在量子退火硬件上求解的二次无约束优化问题；继而在经典硬件上评估损失并相应调整模型参数。 经过在多个数据集上的测试发现，这种“三重混合量子支持向量机”在复杂量子数据上的分类精度优于其他量子/经典支持向量机，但在有限训练条件下的简单经典数据上表现参差。针对复杂数据集，该三重混合版本收敛速度更快，所需电路评估次数更少。