量子科技中心_量科网

量子生成建模已成为量子计算机极具前景的应用方向，其目标是模拟超出经典方法能力范围的复杂概率分布。然而在实际操作中，训练此类模型通常需要在量子硬件上直接执行代价高昂的梯度估计。关键之处在于，对于某些特定结构的量子电路，局域可观测量期望值可在经典计算机上高效计算，这使得无需在优化循环中调用量子硬件即可完成经典训练。这些模型的输出采样过程仍可能具有经典计算难度，因此推断阶段必须在量子设备上执行，从而产生潜在的计算优势。 本研究提出了一种基于参数化高斯玻色取样电路的光量子生成模型。该训练方法利用了量子态的高斯结构特性实现期望值的经典高效计算，通过最大平均差异损失函数实现了模型参数的可扩展优化。研究团队在具有805个模式及超百万可训练参数的光量子系统中进行数值实验，验证了该方法的有效性，凸显了其对近期光量子设备的可扩展性与适用性优势。