量子科技中心_量科网

量子机器学习（QML）有望在模型复杂度和准确度两方面提升机器学习建模水平。该领域的关键挑战在于输入数据的编码方式，这对QML模型性能具有决定性影响。该研究团队聚焦于QML建模特有的、尚未被充分探索的编码维度——不同于传统调整编码拟设（ansatz）的方法，研究人员创新性地调整数据输入拟设的传递方式。具体而言，该工作构建了融合经典数据预处理（包括特征排序、筛选及加权）的QML流程，系统评估这些编码要素对模型性能的影响程度及其可优化空间。实验采用典型QML方法，覆盖多样化数据集、拟设结构和电路规模，结果表明：通过优化特征在拟设中的编码方式，可显著且稳定地提升QML模型性能，这为未来QML应用集成此类技术提供了有力依据。最后，研究人员在100量子比特的真实量子硬件上运行该方案，成功实现了建模性能提升，验证了该方法的实际可行性。