QSEA：基于纠缠增强的量子自监督学习
作为一种无监督特征表示范式，自监督学习（SSL）利用数据的内在结构提取有意义的特征，而无需依赖人工标注。尽管SSL已取得成功，但仍存在模型容量有限或表征能力不足等问题。量子SSL因其能利用量子态增强表达能力和学习效率，已成为极具前景的替代方案。本研究提出一种带纠缠增强的量子自监督学习方法（QSEA）。不同于现有量子SSL方法，QSEA引入了基于纠缠的样本生成方案和保真度驱动的量子损失函数。具体而言，该工作通过将辅助量子位与原始态纠缠并施加参数化酉变换来构建增强样本，其损失函数采用量子保真度定义，可量化量子表征间相似性并有效捕捉样本关系。实验结果表明，QSEA在多个基准测试上优于现有量子自监督方法，并在解相关噪声环境中展现出更强稳定性。该框架为量子学习系统奠定了理论与应用基础，推动了SSL领域量子机器学习的发展。
