量子科技中心_量科网

经典数据编码到量子态的过程构成了噪声中等规模量子（NISQ）设备上量子机器学习（QML）的主要性能瓶颈。现有框架均未同时描述资源成本、表达能力和噪声鲁棒性，也未提供可供实践者操作的编码选择指南。本综述通过系统性回顾66篇核心文献（2017-2026年），这些文献基于PRISMA改编协议从五个学术数据库中筛选而来，填补了这一空白。研究提出四项主要贡献。第一，建立三维成本-表达能力-鲁棒性分类体系，沿独立可测维度对所有主要编码族（基编码、角度编码、密集角度编码、振幅编码、数据重上传编码和IQP编码）进行分类。第二，在NISQ退相干通道下推导出闭式深度-保真度界限，识别出临界门误差率p* ~ 10^-3，低于该阈值时振幅编码才具有可行性。第三，统一将傅里叶表达能力、贫瘠高原起始点以及量子核集中度作为编码电路的函数进行分析，首次实现联合可训练性分析。第四，提出五区间决策框架，将（D, n, p, τ）——特征维度、量子比特预算、误差率和任务类型——映射为基于硬件实际的编码推荐方案。核心发现是：当p ≥ 10^-3时，浅层角度编码在实际应用中始终优于振幅编码，尽管后者具有指数级量子比特优势。