量子科技中心_量科网

量子核方法已成为机器学习中利用高维特征空间的一种有前景的方法，特别是在经典核方法面临可扩展性限制的领域。在这项工作中，该团队首次开展了大规模研究，探讨保真度量子核支持向量机在高光谱数据分类中的应用，且无需大量先验特征选择或降维。通过利用张量网络收缩技术和GPU加速来模拟量子核，该团队克服了传统量子模型的计算瓶颈，实现了量子比特数量的二次缩放 O(n²)。该方法使得研究人员能够在具有数百个光谱波段的高光谱数据上评估量子核，将量子特征空间与现实遥感应用对齐。该工作对核带宽优化进行了深入分析，揭示了其在缓解指数级集中效应和确保模型泛化能力方面的关键作用。在二元分类（Indian Pines 和 Methane Detection）和多元分类（Indian Pines）上的实验结果表明，量子核在性能上与广泛的最先进经典基线方法相比具有竞争力。作为说明性案例，在从 Indian Pines 选取的四个50波段子集上，量子模型在二元分类任务中达到了78.0 ± 6.2%的准确率，而标准径向基函数（RBF）核为72.0 ± 5.0%。在四分类任务中，量子核达到了83.3 ± 3.1%的准确率，优于多个最先进基线方法。在从 Methane Detection 数据集选取的五个75波段子集上，量子方法取得了58.5 ± 5.0%的准确率，而经典方法为55.1 ± 2.5%。