量子科技中心_量科网

量子机器学习旨在通过评估量子态函数（例如其相似性）来寻求数据处理中的计算优势，这些函数在经典计算中可能难以处理。然而，要实现量子优势，关键在于绕过对单个数据实例的高成本表征，转而采用高效的直接相似性评估方法。本研究展示了一种基于玻色量子干涉的样本最优、硬件高效的量子相似性（即态重叠度）估计协议。该方法的样本复杂度与系统维度无关，且在信息论意义上达到常数因子内的最优性。实验方面，研究团队在完全可编程集成光子处理器平台“Prakash-1”上实现了该方案，通过在芯片上制备并干涉高维量子态直接提取其重叠度，在现实噪声环境中实现了高精度的量子数据分类与在线学习。该工作证实联合重叠测量可作为高效量子数据分析的可扩展途径，并为网络化量子机器学习提供了实用构建模块。