量子科技中心_量科网

涉及量子数据的学习问题天然适合展示量子机器学习的优势。近期结果表明，对于某些任务且在无噪声条件下，对量子数据进行相干处理优于固定测量方案后再进行经典处理。尚不确定这种性能差距在有限规模下以及在当前量子设备不可避免的噪声存在时能否持续。本研究对已知具有渐近优势的学习问题在现有硬件上的性能进行了模拟与分析，该问题现受到噪声量子数据的影响。通过将相干量子处理直接与固定测量方案进行比较，研究结果清晰表明，在仅包含30到40个噪声量子比特的规模下就已出现显著的性能分离。在此规模下，根本瓶颈已不再是经典计算，而是数据获取；若要用先测量后处理的策略匹配噪声相干协议的性能，仍需数月甚至数年的测量时间。通过系统评估状态制备、门错误、读取错误、连接性和相干时间等硬件约束，本研究提供了证据表明，在近期设备上实现这种强大的学习优势是可及的。