量子科技中心_量科网

卷积运算是经典图像处理和现代深度学习架构的基础，但其向量子领域的扩展由于数据编码效率低下和电路复杂度极高，在算法和物理实现上始终成本高昂。该研究团队提出了一种资源高效的量子算法，通过新颖的稀疏重塑形式，将卷积积重新表述为结构化矩阵乘法。基于局部卷积可编码为双分块托普利茨矩阵乘法的关键发现，研究人员构建了一个量子框架：其中稀疏输入块通过优化的键值QRAM态编码制备，而卷积滤波器则以叠加态量子态表示。卷积输出通过低深度SWAP测试电路进行内积估计计算，以降低采样开销的概率幅形式获取结果。该架构采用广义SWAP电路支持多滤波器批量卷积处理。相较于现有量子卷积方案，该方法消除了冗余制备成本，在稀疏性条件下实现输入尺寸对数级扩展，并可直接嵌入量子-经典混合机器学习流程。该工作为量子增强特征提取提供了可扩展且物理可实现的路径，为量子卷积神经网络和数据驱动的量子推断开辟了新可能性。