量子科技中心_量科网

量子极限学习机（QELMs）是一种突破性的计算架构，在经典和量子机器学习任务（如量子态属性估计）中展现出卓越潜力。然而，量子测量的概率特性要求通过大量重复训练来精确估计期望值，这使得实验资源、数据采集时间和信噪比之间面临严峻权衡，尤其在大数据集场景下更为突出。 该研究团队提出了一种基于受激辐射与自发辐射对应关系的新范式。该量子极限学习机仅需使用强经典光场进行训练，却可直接对未知量子输入态进行推理并预测其量子特性。这一策略显著缩短了数据采集时间，同时大幅提升了信噪比。通过首次在量子机器学习架构中实现频率编码的双光子态，研究人员展示了以下成果：对两比特量子态进行纠缠见证的准确率达(93±4%)、实现多维纠缠检测，并以(96±4%)的保真度学习控制光子对生成的哈密顿量。 该工作通过确立经典训练作为量子特征提取的可扩展路径，成功构建了宏观观测与非经典关联之间的桥梁，为开发更快速、更稳健的量子神经网络开辟了新途径。