淬灭量子特征映射
该研究团队提出了一种量子特征映射技术，利用量子自旋玻璃的淬火动力学在量子优势层面上提取复杂数据模式，适用于学术与工业应用。研究表明，通过将数据集信息编码为无序量子多体自旋玻璃问题，随后进行非绝热演化并通过观测期望值提取特征，可显著增强机器学习（ML）模型性能。通过分析不同演化时间下的协议表现，实证发现机器学习模型最能受益于量子退火器快速相干区域（尤其接近量子动力学临界点）获得的特征表示。该团队通过药物发现和医学诊断等涉及上百维特征的高维数据集基准测试，验证了该技术的普适性。此外，与一系列最先进的经典机器学习模型对比表明，该量子特征映射可将基线经典模型的性能指标提升高达210%。该工作首次在量子优势层面实现量子机器学习示范，弥合了量子霸权与现实世界学术及工业应用之间的鸿沟。
