量子科技中心_量科网

我们研究奇偶特征（parity features）作为一种表示方法，一旦二进制或量化输入表示以及奇偶字（parity words）固定后，就可以完全在经典层面上进行评估。这在标签依赖于高阶特征交互，或离散推理接口支持扰动鲁棒性时尤为有效。奇偶特征是对二进制输入的选定比特进行带符号乘积：一旦参与的比特已知，评估无需任何量子资源。要实现有用的奇偶表示，需要解决两个挑战。当输入是奇偶就绪（有意义的二进制字符串）时，挑战在于基发现（basis discovery）：从组合搜索空间中选择有用的奇偶字。否则，挑战在于编码：构建一个二进制向量，使奇偶计算具有意义。我们采用混合量子-经典训练流程来解决这些问题：用于基发现的可学习泡利字选择、用于连续嵌入的学习投影编码（learned projection encodings），以及用于离散输入的sPQC-Parity。在三个具有5-10个量子比特的原生二进制奇偶任务上，学习到的奇偶基相比逻辑回归和支持向量基线，平均准确率提升了23.9%至41.7%。模型比较表明，改进主要来自发现正确的奇偶基，而非推理时的量子矩计算。在五个连续文本基准上，学习投影在很大程度上恢复了因降维和固定二值化引入的损失，并在CR、SST-2和SST-5上超过了完整的连续基线。在三个编码受限的离散数据集上，以PCA-bin为基线进行比较时，sPQC-Parity在蘑菇数据集上实现了94.6%的提升，在splice数据集上提升了3.0%，并在promoter数据集上与PCA-bin持平。我们还分析了二进制或量化推理下的推理鲁棒性，其中舍入操作在低于半个量化步长时能实现精确不变性。