量子科技中心_量科网

该论文探讨了量子退火（QA）与经典模拟退火（SA）在机器学习组合优化问题中的应用，包括特征选择、实例选择和聚类。研究人员将每个任务表述为二次无约束二元优化（QUBO）问题，并同时实现量子和经典求解器以比较其效能。在特征选择方面，该团队提出了多种平衡特征重要性与冗余度的QUBO配置方案，证明量子退火（QA）生成的解具有更高的计算效率；针对实例选择，研究提出了若干扩展现有方法的实例级重要性度量启发式算法；在聚类任务中，该工作构建了经典-量子混合流程，先进行经典聚类再通过基于QUBO的中心点优化，实验表明该方法能持续提升聚类紧致度和检索指标。研究结果表明，即使在当前量子硬件限制下，量子退火仍可成为离散机器学习优化领域具有竞争力的高效工具。