量子科技中心_量科网

Geometric Machine Learning (GML)的成功是通过对新等变神经网络的深入研究和设计实现的。相比之下，几何量子机器学习（GQML）模型尚缺乏如此细致的理解，尽管已有多个提案，但对其设计缺乏统一的视角。在该工作中，该团队专注于处理图问题的GQML模型，这类问题展现了丰富的结构，且仍是机器学习的前沿领域。对于n节点图编码在n量子比特态中的情况，该工作提供了对其组成要素的全面刻画。综合起来，这些要素为该工作构建了一个用于设计量子图模型的工具箱，该团队进一步探究了其优势，包括与经典模型的自然集成、对已知GQML模型的推广（通常以几乎为零的代价扩展其表达能力），以及直接的经典预训练策略。后两个特性在专门的数值实验中得到验证。