量子科技中心_量科网

量子机器学习将叠加态和纠缠等量子原理应用于数据处理与优化。变分量子模型在高维希尔伯特空间中对量子比特进行操作，为模型表达能力提供了替代性解决方案。该研究团队针对异或问题比较了经典模型与变分量子分类器的表现。通过准确率和二元交叉熵指标，研究人员在具有不同高斯噪声和样本量的合成异或数据集上评估了逻辑回归、单隐藏层多层感知机，以及电路深度为1和2的双量子比特变分量子分类器。性能表现主要取决于模型表达能力——逻辑回归和深度1量子电路无法可靠表征异或关系，而多层感知机和深度2量子电路在典型条件下实现了完美的测试准确率。 针对噪声水平、数据集规模和随机种子的鲁棒性分析证实，电路深度是该任务中量子性能的决定性因素。尽管准确率相当，多层感知机实现了更低的二元交叉熵和显著更短的训练时间。硬件执行保留了全局异或结构，但会在决策函数中引入系统性偏差。总体而言，在低维异或基准测试中，更深层的变分量子分类器能达到与经典神经网络相当的准确率，但在所考察的设置中尚未观察到明确的鲁棒性或效率优势。