量子科技中心_量科网

量子机器学习（QML）展现出早期工业应用的潜力，但量子硬件获取途径有限仍是部署QML解决方案的主要瓶颈。该研究探索了使用经典替代模型突破这一限制的技术——通过构建（训练好的）量子模型的轻量级经典表征，实现在完全经典设备上进行推理。研究人员发现，现有量子模型经典替代生成方法存在难以承受的高计算需求，并提出了一种新流程，使生成规模远超以往成为可能。此前方法对不足工业规模（约20量子比特）的量子模型至少需要高性能计算（HPC）系统支持，其实用性存疑。该工作极大精简了原有流程的冗余设计，仅需消耗以往方法所需资源的极小部分。在真实世界能源需求预测案例中，该团队通过仿真与量子硬件上的严格测试，验证了该方法在性能和计算需求方面的有效性。结果表明，该方法在测试数据集上保持高精度的同时，其计算资源需求仅呈线性而非指数级增长。该研究提出了将量子解决方案转化为可经典部署版本的轻量级途径，有望加速量子技术在工业场景的集成进程。此外，该方法可成为实证研究中探索实用量子优势的强大工具。