量子科技中心_量科网

传统机器学习模型在具有长程关联性的数据集上难以完成学习和预测任务。此前研究表明，一种被称为“语境性”的长程关联结构会阻碍经典机器学习对某些量子启发的序列分布进行高效表征。该项工作定义了一种新的语境性量化指标——“强k-语境性”，并证明任何呈现强k-语境性的转化任务都无法用潜状态数少于k的经典流模型以有限相对熵进行表征。值得注意的是，这种关联度量不会对量子生成模型产生类似的资源下限约束。基于该理论，研究人员开发了能高效估算序列数据中新语境性指标的算法，并通过实验证明该指标能有效预测资源受限的经典贝叶斯网络与量子贝叶斯网络在数据建模中的性能差异。强k-语境性由此成为识别“经典计算机难以处理但量子计算机可能胜任”问题的重要度量标准。