量子科技中心_量科网

大规模机器学习模型得益于多模态输入，这些输入能为同一示例提供互补视角。该团队提出了QUIVER（量子信息增强表示视角），这是一种用量子Fisher视角丰富经典数据驱动特征的范式：该视角基于几何动机且与基无关，能总结一个为执行相同任务而训练的变分量子电路（VQC）所捕获的高阶相关性。与经典特征增强不同，量子Fisher信息矩阵编码了所学量子态流形的内在几何结构。尽管这一受量子信息理论启发的特征映射通常难以用经典方式建模，但它能够揭示那些额外经典数据或模型容量难以习得的统计结构。这使得量子Fisher视角成为一种真正互补而非冗余的模态。该团队证明，QUIVER在两个来自截然不同领域的基准数据集上提升了标准性能指标：用于预测分子性质的QM9数据集，以及用于预测大型强子对撞机（LHC）喷注风味的JetClass数据集。然而，其核心贡献是领域无关的：通过针对性修改基础架构，量子Fisher视角可被融合到广泛类型的模型架构中，从而融入关于问题量子几何的信息。这些结果表明，从模拟变分电路中提取的量子几何特征，能在容错量子硬件问世之前，为标准机器学习任务带来可衡量的价值。