量子科技中心_量科网

量子机器学习(QML)已引起广泛研究兴趣，但其是否比经典方法具有实际优势仍是悬而未决的问题。数据编码方式的选择显著影响QML性能，但为何某些编码优于其他编码的原因尚不明确。该团队采用蒙特卡洛树搜索(MCTS)为量子-经典卷积神经网络(QCCNN)发现最优数据编码电路，该网络结合了用于特征提取的非变分量子模块与经典分类器。在两个医学影像数据集上的评估显示，所发现的电路不仅优于常用编码策略，与纯经典方法相比也展现出竞争性结果。该研究进一步分析多项指标以识别编码性能的预测因子。纠缠能力和傅里叶分解提供的洞察有限，而特征图的有效秩则表现出有意义的关联性，可作为加速高性能编码搜索的阈值判据。该工作既为编码发现提供了实用方法，也为理解QML中数据编码有效性的内在机理提供了新见解。