支持向量机（SVMs）是监督学习的重要基石，广泛应用于数据分类任务。其成功的关键在于核函数，该技术能够高效计算高维特征空间的内积运算。近年来，利用量子电路（包括基于量子比特和量子光学的系统）计算核矩阵的研究日益受到关注，多个团队正积极探索其中潜在的量子优势。该工作系统研究了两项通过核学习提升SVM性能的经典技术——费希尔准则与拟共形变换，并将其转化为量子光学电路的实现框架。另一方面，以位移压缩真空态为例，研究人员展示了量子光学中的成熟概念如何为SVM方法带来新视角与性能提升。这种跨学科研究揭示了量子光学与机器学习领域相互促进的巨大潜力。
