量子科技中心_量科网

近期量子计算机通过重复执行电路来访问，这些执行产生有限的测量记录，而非精确的确定性输出。在量子储层计算中，这些记录被转换为经典读出层的特征向量。标准期望值方法将一个标记时间步的所有测量结果平均为一个特征向量。这降低了有限测量噪声，但也使得读出层仅从多次电路执行中获得一个训练样本。该工作引入分裂集成训练：将相同的测量结果分成若干组，每组平均值作为针对同一目标的独立、部分去噪的特征向量。量子电路、任务和测量预算保持不变。在模拟预测基准测试和实际硬件实验中，当完全平均导致读出层训练样本过少时，这种简单的重组改进了预测效果，且在硬件上观察到最强增益。该工作的结果确立了测量记录组织作为一种简单且广泛适用的算法杠杆，可在不增加额外量子硬件成本的情况下提升近期量子学习性能。