量子科技中心_量科网

量子分类面临两大关键挑战。首先，不同类别间的区分难度存在差异：某些类别组合易于分离，而另一些则更具挑战性。其次，实际执行过程会受到噪声、有限采样和测量开销的影响。为此，该研究团队提出PAPUS框架——一种基于泡利空间的配对自适应量子分类方法。该方法通过低权重泡利特征评估候选上传电路，并将上传设计构建为基于判别表征的结构化模型选择问题。通过根据类别配对难度动态调整电路复杂度，该框架实现了分类精度与资源效率的更好平衡。实验表明，在涵盖474个任务的9个数据集上，PAPUS在预测性能与执行成本之间取得了理想平衡。具体而言，无论是在本地无噪声模拟还是IonQ噪声模拟器中，PAPUS框架均实现了90%以上的分类准确率，同时显著降低了测量与电路成本（总测量次数更少且数据上传所需的量子门数量更少）。与传统基线方法template_cv和kta_exact相比，PAPUS展现出更强的噪声鲁棒性：在噪声环境下准确率仅下降1.67%，而两种基线方法的降幅达9.44%。