量子科技中心_量科网

量子神经网络将经典人工神经网络推广至量子领域，其数学形式表现为通过测量并最小化适当选择的损失函数进行优化的参数化量子电路。理解、实现及最终应用量子神经网络的核心挑战在于：它们代表着具有指数级庞大希尔伯特空间的多体系统，同时还涉及巨大的参数搜索空间。此外，任何量子测量固有的噪声特性为训练损失估计设定了实际限制。本研究聚焦于通过有限次含噪损失函数测量进行训练的物理信息驱动型大规模量子神经网络。该团队证明该架构能构建非平凡决策边界，从而通过测量序参量实现量子态分类。该方案可直接处理量子模拟器和计算机输出的量子数据，且非常适合在当前硬件上实施。值得注意的是，由于神经网络动力学与马尔可夫开放多体量子系统演化之间存在密切联系，可预期其对当前NISQ时代普遍存在的噪声具备一定鲁棒性。