量子科技中心_量科网

硬约束决策系统通常直接否决不可行候选方案。当系统能够采取行动时，这种机制过于僵化：如果已知一个可负担的修复方案能使不可行候选方案变得可行且有价值，那么拒绝就构成虚假否决而非排序错误。该团队提出了Q-RACL（量子修复增强约束学习），这是一种先修复后否决的框架，首先定义RACL决策语义，然后确定量子特征访问能够承担关键作用的单一推理链路。RACL在接受候选方案时，需具备一个顺序修复计划来恢复可行性与偏好；否则返回结构化的拒绝信用值。关键链路是修复可行性推理：即从观察到的候选方案和上下文来看，哪个修复类别能够恢复可行性。该团队构建了一个离散对数隐藏的RACL族，其中修复类别是潜在指数 \(a = \log_g(x)\) 中的移位区间规则，而学习者仅能观察到 \(x = g^a \bmod p\)。在基于标准DLP的学习分离假设下，该坐标对基于原始输入的经典策略不可访问，但通过Shor/Fourier结构，量子智能体可以访问。在六个质数和十个随机种子下，受限于原始输入的经典策略以及错误的原始Fourier编码表现接近随机水平，而Q-DLP策略的虚假否决率保持在1.1%以下，在所有配对的种子中胜出，且 \(QNI_{\text{cond}}\) 值在0.9777至0.9972之间。经典DLog预言机可匹配该性能，从而将特征访问能力与分类器容量区分开。因此，量子AI并非作为通用模型升级引入；对于这个DLP隐藏的修复族，它提供了缺失的特征，从而闭合了先修复后否决的循环。