量子科技中心_量科网

当前由大量特征定义的数据集仍处于量子机器学习算法的适用范围之外。针对这一瓶颈的即时解决方案是在数据输入量子算法前应用降维方法。该研究团队在包含67个特征的粒子物理数据集上测试了六种传统特征提取算法和五种基于自动编码器的降维模型。这些模型生成的降维表征随后被用于训练量子支持向量机，以解决二元分类问题——判断大型强子对撞机（LHC）质子碰撞中是否产生希格斯玻色子。研究表明，自动编码器方法能学习到更优的低维数据表征，其中该团队设计的Sinkclass自动编码器性能比基线模型提升40%。这些方法将量子机器学习的适用范围扩展至更广泛的数据集领域。此外，该工作还为此类场景提供了高效的降维实施指南。