量子科技中心_量科网

量子计算长期以来被认为将在数据分析领域带来革命性进展，但实用化量子机器学习始终面临根本性障碍——包括经典数据加载的高昂量子计算成本，以及为近期量子硬件设计的众多量子机器学习算法普遍存在训练性能不佳的问题。该研究团队在这项工作中证明，通过采用基于线性哈密顿量的机器学习方法，可借助k-local哈密顿量的基态问题实现经典数据的紧凑量子表示，从而突破这些障碍。研究人员利用最新提出的基于采样的Krylov量子对角化方法计算数据哈密顿量的低能态，并通过局部梯度训练哈密顿量参数来表达经典数据集。该团队在IBM Heron量子处理器上使用多达50个量子比特对基准数据集进行实验，验证了该方法的高效性和可扩展性。