量子科技中心_量科网

当前多数量子机器学习（QML）流程仍依赖角度编码、振幅编码等静态映射方法，这限制了其处理时序信息的能力。为突破这一局限，本研究采用脉冲式数据表征作为量子特征制备的编码机制，有效融入了时序结构。具体而言，该团队提出“脉冲相位自适应时序编码”（SPATE）——一种创新的脉冲驱动时序编码方法，该方法通过以下步骤实现：将实数值表格特征转换为漏积分发放脉冲序列，将脉冲统计量映射至量子旋转门，并通过受控相位操作辅以少量时序量子比特增强。 研究还建立了以编码质量为核心的独立评估协议（不依赖分类器性能），涵盖以下指标：中心化核目标对齐度（CKTA）、费希尔式可分离性、类间/类内距离比、轮廓系数、归一化熵以及成对总变差（TVpair）坍缩指数。分层交叉验证表明，SPATE在多个数据集上均能生成更具表现力的特征表示。例如在Blobs数据集上，SPATE取得0.966的CKTA与7.37的费希尔分数，而角度编码仅获得0.632和0.70；在Moons数据集上，SPATE达到0.506的CKTA，显著优于角度/振幅编码的0.015。这些优势转化为固定量子比特预算下更强的混合量子神经网络性能：在Wine分类任务中达到0.826准确率与0.978 AUC值，在Moons任务中获得0.840准确率与0.923 AUC值。 实验结果表明，SPATE为资源受限场景提供了一种实用的“脉冲-相位”接口，能够构建信息量更丰富的量子特征表示。