量子科技中心_量科网

许多计算问题在某些对称操作下保持不变。在经典机器学习中，这可以通过神经网络的层次结构来体现。在量子机器学习中，可以通过调整ansatz（参数化量子电路）来对应问题的特定对称性。研究团队在图分类问题上探讨了量子电路对问题对称性的适应性。在随机图上，量子机器学习的ansatz分别用于分类给定的随机图是否连通、是否为二分图、是否包含哈密顿路径或哈密顿环。研究发现，如果量子电路能够反映问题的内在对称性，其性能将显著优于标准的、未对称化的ansatz。即使对称性只是近似存在，与非对称化的ansatz相比，性能仍有显著提升。该工作展示了一种简单直观的构造方法，可以将对称性融入量子电路中。