量子科技中心_量科网

人工智能的可靠性取决于其训练数据的完整性，但这一基础常因噪声和污染而受损。通过对比经典与量子神经网络在经典及量子数据上的表现，该研究团队揭示了二者应对数据污染时的本质差异。研究发现，经典模型会呈现脆弱的记忆效应，导致泛化能力失效；而量子模型则表现出卓越的韧性，其对标签噪声增强表现出的类相变响应尤为突出，当超过临界点后模型性能将发生质变。该工作进一步开创并研究了“量子机器学习遗忘”这一新领域——即高效消除训练模型中污染影响的机制。研究表明，经典模型对错误数据会形成顽固的刚性记忆，使高效遗忘难以实现；而量子模型则能通过近似遗忘方法实现显著更高效的信息擦除。这些发现证实，量子机器学习兼具内在韧性高效适应性的双重优势，为构建未来可信赖的强健人工智能提供了新范式。