量子科技中心_量科网

量子核方法是量子机器学习领域中的一个重要分支，但其在多样化、高维度的现实数据上的实用优势尚未得到验证。现有研究大多局限于低维或合成数据集，难以全面评估其潜力。为解决这一问题，该研究团队开发了一种基于资源高效量子线路的可变分量子核框架，用于复杂分类任务，并引入参数缩放技术以加速收敛。研究人员在八个具有挑战性的高维现实数据集（涵盖表格、图像、时序和图数据）上进行了全面测试。经典模拟结果显示，所提出的量子核相较经典径向基函数（RBF）核等标准方法展现出明显性能优势。该工作表明，经过合理设计的量子核能够成为多功能、高性能的工具，为现实机器学习中的量子增强应用奠定基础。未来仍需进一步研究来充分评估量子方法的实际优势。