量子科技中心_量科网

量子增强机器学习——包含量子算法和张量网络等量子启发的经典方法——为从复杂高维数据中提取结构提供了前景广阔的工具。该工作以时尚MNIST数据集和高光谱卫星图像作为代表性数据集，研究了应用于三分类问题的矩阵乘积态分类器的训练动态。研究人员通过追踪训练过程中的纠缠熵、局域磁化强度及模型性能，探究了“顿悟”现象（即记忆后突然出现的泛化能力）。此外，该团队运用信息论工具获得更深层认知：使用传递熵揭示标签特异性量子掩码间的因果依赖性，同时用O-信息捕捉类别输出间从协同到冗余关联的转变。研究结果表明，在时尚MNIST任务中，顿悟现象与急剧的纠缠相变及冗余信息峰值同时出现；而过拟合的高光谱模型则保持协同性、无序的行为特征。这些发现揭示了高阶信息动力学在量子启发学习中的重要意义，凸显了多类分类中出现的独特学习行为，为解释量子机器学习架构的泛化能力提供了理论框架。