量子科技中心_量科网

机器学习和量子计算的快速发展使量子机器学习成为研究前沿。然而，当前基于量子变分算法的量子机器学习方法面临着可训练性和噪声鲁棒性的挑战。为解决这些问题，该团队提出了一种无梯度、抗噪声的量子储备计算算法，利用离散时间晶体动力学作为储备池。研究首先校准了该量子储备池的记忆能力、非线性特性和信息混编能力，揭示了它们与动力学相及非平衡相变的关联性。随后将该算法应用于二分类任务，并验证了量子核方法的比较优势。在十分类任务中，超导量子处理器上的噪声模拟与实验结果均与理想模拟相符：系统规模扩大带来的精度提升得到证实，拓扑噪声鲁棒性获得验证。该工作首次基于数字量子模拟实现了图像分类的量子储备计算实验验证，建立了量子多体非平衡相变与量子机器学习性能的关联，为NISQ时代的量子储备计算乃至更广泛的量子机器学习算法提供了新的设计原则。