量子科技中心_量科网

储层模型利用未经训练的量子动力学作为固定特征映射，并将优化限制在简单的经典读出层上，为噪声中等规模量子设备提供了一种硬件高效的学习范式。该团队提出了一种基于高斯玻色采样和编码策略的量子极限学习机，该策略在降低光学资源需求的同时实现了高分类精度。经典输入被联合编码在压缩参数和干涉仪酉矩阵中，从而能够利用采样生成高度非线性的特征映射，并同时利用大规模GBS输出统计信息，而这些统计信息被推测为经典计算难以处理的。该团队系统比较了同一设置下可访问的多类量子特征家族，发现光子数采样概率提供了最佳性能，这与其更高的有效特征维度一致。最后，该团队以经典非线性基线为基准进行性能对比，并分析了噪声场景下的鲁棒性，结果表明该方法在可训练参数更少的情况下具有竞争力的性能，显示出近期光子实现的实用前景。