量子科技中心_量科网

许多量子机器学习在实际应用场景中涉及经典数据，其性能关键取决于输入如何嵌入到量子态中。然而，使用固定的嵌入电路模板仍是标准做法。该团队提出了一种基于能量的生成式学习框架，通过合成门序列来优化嵌入结构并精炼数据定制参数，利用基于保真度的替代目标引导搜索过程，以提升类别可区分性。实验表明，该方法在多种设置下均能改善分类性能，同时也揭示了在当前嵌入族内进行架构搜索仅能带来有限额外增益的数据集。该团队通过推导输入空间中Wasserstein距离与可实现经验风险之间的界限来解释这种饱和现象，表明经典数据几何结构为判断嵌入优化难以带来显著增益的场景提供了\emph{先验}诊断依据。这些结果为通过生成式优化搜索有效量子数据嵌入建立了一个兼具实用性和理论基础的框架，而可获得的增益可通过底层经典数据的几何结构进行诊断。