量子科技中心_量科网

量子机器学习的一个核心挑战是状态制备瓶颈，即加载高维经典数据到量子态所需的高昂计算成本。尽管振幅编码原则上能以 \(n\) 个量子比特表示 \(2^n\) 维数据，但制备任意态在计算上仍然昂贵，通常需要针对每个数据实例对参数化量子电路进行变分优化。本研究提出了一种方法，通过训练经典神经网络将输入数据直接映射到固定量子电路的连续参数，从而避免了迭代优化。实验表明，该方法能在未见过的数据上生成高保真度的量子图像态。由于所有优化均在训练阶段一次性完成，所得模型仅需单次推理即可编码新输入，为近期量子算法中的数据加载提供了可扩展的路径。研究在MNIST和Fashion-MNIST数据集上验证了该方法，在未见图像上实现了高达0.992的保真度，并将每个数据实例的运行时间减少了超过5000倍。