量子科技中心_量科网

该团队针对混合量子-经典应用的能耗解（ETS）开展了实验研究，通过直接测量Forte Enterprise离子阱量子处理器的功耗来实现。该团队将此方法应用于基础AI模型的量子微调混合量子-经典流水线，并在量子硬件上进行了端到端验证。尽管存在噪声和量子比特数量有限的限制，所得模型在准确率上达到了与逻辑回归、支持向量分类器等经典基线方法相当甚至超越的水平。研究结果表明，对于浅层电路，QPU能耗随量子比特数近似线性增长，而经典模拟则呈现指数级增长，表明ETS在约34个量子比特处达到平衡点。本研究中最佳量子微调模型的分类误差较最佳经典微调模型降低了约24%。该团队进一步通过与张量网络方法的对比，对这些发现进行了背景化分析。该工作将能耗解确立为可测量、可扩展的量子应用评估指标，并提供了能效-准确率权衡的实证证据。