量子科技中心_量科网

量子机器学习（QML）模型通常需要深度参数化电路来捕获复杂频率成分，这限制了其可扩展性和近期实现。该研究团队提出《量子随机特征》（QRF）和《量子动态随机特征》（QDRF）——受经典随机傅里叶特征（RFF）启发的轻量级量子储层模型，无需变分优化即可生成高维频谱表示。通过结合Z轴旋转编码与随机置换或哈密顿动力学，这些模型以O(log(Nf))的预处理成本实现Nf维特征映射。频谱分析表明QRF和QDRF复现了RFF的行为，而在Fashion-MNIST数据集上的模拟达到了89.3%准确率，以可扩展的量子比特需求匹配或超越了经典基线。该工作通过将频谱理论与实验可行的量子动力学相结合，为可扩展量子学习提供了紧凑且硬件兼容的实现路径。