量子科技中心_量科网

在测试量子机器学习（QML）模型时，分析非平凡数据集的重要性日益受到学界关注，但目前仍缺乏理解数据集特征的统一框架。该工作将数据集规模作为其复杂性的指标，重点探索QML模型（尤其是通过量子核方法）相比经典模型展现更高数据效率的潜力。研究人员提出了一种生成半人工纯经典数据集的方法，并首次证明了存在某些经典数据集可使量子核方法在训练时所需数据量更少。此外，该研究从经典核方法推导出一种新型分析工具，可用于探究经典-量子性能差距。实证结果表明，量子核方法能以更少训练数据实现低于经典对照组的错误率。该方法还能生成具有不同特性的数据集，有助于进一步探究现实数据集中哪些特征可能特别有利于量子核方法。该团队提出源自经典领域的泛化度量指标与实证证据高度吻合，填补了该领域长期存在的空白。这项工作为系统探索数据集复杂性开辟了路径，揭示了这些复杂性如何影响QML相对于传统方法的性能，深化了人们对量子核方法乃至更广泛QML模型泛化优势的理解，为未来研究奠定了基础。