量子科技中心_量科网

该研究团队提出了一种量子机器学习（QML）框架，利用量子并行性在单次量子操作中处理完整训练数据集，解决了经典及量子场景下顺序数据计算处理的瓶颈问题。基于基础量子算法中特征提取与QML参数优化之间的结构相似性，研究人员将标准参数化量子电路嵌入集成架构，将所有训练样本编码为量子叠加态并实现并行分类。该方法将传统QML训练中损失函数评估的理论复杂度从O(N²)降至O(N)，其中N为数据集规模。在多个二分类及多分类数据集上的数值模拟表明，该方法在保持与传统电路相当分类精度的同时，显著节省了训练时间。这些成果凸显了量子并行数据处理作为实现高效QML的可扩展路径的潜力。