量子科技中心_量科网

高效纠缠策略对于推动量子机器学习中的变分量子电路发展至关重要。然而，当前多数方法采用固定纠缠拓扑结构，无法适配任务需求，限制了其超越经典模型的潜在优势。该研究团队提出了一种新型随机纠缠配置方法，通过系统生成多样化纠缠拓扑来识别“有效纠缠配置子空间”（定义为能使混合模型性能超越经典基准的纠缠拓扑结构）。每个配置被编码为随机二元矩阵，表示量子比特间的定向纠缠关系，并基于纠缠密度和单量子比特约束作为关键指标，实现了候选纠缠拓扑超空间的可扩展探索。研究人员设定了无约束和约束两种采样模式以控制量子比特纠缠度。应用该方法在心脏MRI疾病分类的混合量子机器学习中生成评估了400种随机配置，其中64种（16%）新型有效纠缠配置持续超越经典基准。对最优配置进行集成聚合后，分类准确率达约0.92，较经典模型（约0.87）提升超5%。相较于四种传统拓扑结构（环形、最近邻、无纠缠、全纠缠），其最高准确率仅约0.82，而该团队配置实现了最高约20%的精度提升，充分证明了所发现有效纠缠结构的鲁棒性与泛化能力。