量子科技中心_量科网

将高维数据集高效嵌入到存在噪声的低量子比特系统中，是实现实用化量子机器学习（QML）的主要障碍。量子自编码器等方法受限于当前硬件性能，且因其可逆性易受重构攻击威胁。该研究团队提出“量子主测地线分析”（qPGA）——一种新型不可逆降维与量子比特高效编码方法。这种经典计算方法利用黎曼几何将数据投影至单位希尔伯特球面，生成可直接用于量子振幅编码的输出结果。该技术在高维数据集的紧凑潜空间中保留邻域结构，显著降低振幅编码所需的量子比特数。研究人员推导出理论边界，量化了噪声系统中有效编码所需的量子比特数。在MNIST、Fashion-MNIST和CIFAR-10数据集上的实验表明，qPGA比量子自编码器与混合自编码器更能有效保持局部数据结构。由于其不可逆特性，该方法还展现出更强的重构攻击抵抗力。在后续QML分类任务中，qPGA在MNIST和Fashion-MNIST上实现了超过99%的准确率和F1分数，优于量子依赖基线方案。真实硬件与噪声模拟器的初步测试验证了该方法具有抗噪声性能潜力，为推进QML应用提供了可扩展的解决方案。