量子科技中心_量科网

量子机器学习近期作为一种有前景的范式出现，它利用量子电路的表达能力来解决复杂的学习任务。该研究探讨了混合量子-经典神经网络在情感分析这一自然语言处理核心问题中的适用性。研究人员聚焦于一组与COVID-19相关的推文数据集，其中文本内容通过TF-IDF向量化，并分别输入到经典前馈网络和集成参数化量子电路的混合架构中。该工作的结果表明，混合模型可以达到与经典基线相当的准确率，同时展现出独特的学习动态——尤其是在验证损失和准确率方面——暗示其具有更强的表征能力。此外，在将迁移学习应用于短信垃圾邮件分类任务时，混合模型始终优于经典对应模型，在垃圾邮件类别上的准确率提升了15个百分点（从66%提升至81%），展现了更强的泛化能力。这些发现突显了将QML用于自然语言处理的可行性，并指出了随着量子硬件的持续发展，混合模型可能具有的优势潜力。