量子科技中心_量科网

寻找最优测量算符对量子储备池计算机(QRCs)的性能至关重要，因为这些系统采用固定的量子特征映射。该研究团队在核岭回归框架下，系统阐述了无状态(量子极限学习机QELMs)和具有状态记忆特性的QRC训练方法。该方法能针对给定储备池和训练数据集，生成使预测误差最小化的最优测量算符。对于大量量子比特情形，此方法比传统QRC训练更具效率。研究人员探讨了包括泡利基分解和算符对角化在内的效率优化与实施策略，使最优可观测量能适配硬件限制。在图像分类和时间序列预测任务的数值实验中，该方案展现出显著优势，这种技术同样可推广至其他量子机器学习模型。