量子科技中心_量科网

理解量子门微小扰动的影响至关重要——这类扰动在量子数字设备中普遍存在，却不见于经典计算机——它有助于发掘量子机器学习中的潜在优势。虽然此类扰动通常被认为会损害量子计算性能，但它们实际上能通过充当天然的数据增强源来提升表现。这些扰动往往还能在经典硬件上高效模拟，从而让量子启发方法得以改进经典机器学习技术。 该研究团队在本文中探讨了随机布洛赫球面旋转（一种基本的SU(2)变换）作为简单而高效的量子启发数据增强技术。与传统增强手段（如翻转、旋转或裁剪）不同，量子变换缺乏直观的空间解释，这使得其在图像分类等任务中的应用不那么直接。当前常见的量子增强方法依赖于将量子模型或可训练量子卷积层应用于经典数据集，而该工作聚焦于小角度布洛赫旋转的直接应用及其对经典数据的影响。研究人员提出，这些变换可在经典硬件上高效实现，相比当前嘈杂量子设备能提供更精确的增强效果分析。通过大规模ImageNet数据集验证，该团队的量子启发增强方法将图像分类性能提升：Top-1准确率提高3%，Top-5准确率提升2.5%，F1分数从8%增至12%，均优于标准经典增强方法。最后，该工作探究了更强酉变换增强的运用：尽管这类变换理论上能保留信息，但会产生视觉上无法识别的图像，可能在隐私计算中具有应用前景。然而研究表明，该增强方法与简单SU(2)变换并不能提升差分隐私性，文中就此局限性的影响展开了讨论。