量子科技中心_量科网

该研究团队提出了一种基于哈密顿量的量子特征提取方法，该方法通过k-局域多体自旋哈密顿量的动力学演化生成复杂特征，从而提升机器学习性能。研究人员将经典特征向量嵌入自旋玻璃哈密顿量体系，通过多体相互作用同时表征单变量贡献与高阶关联效应。在配备156个量子位的IBM数字量子处理器上，借助适宜的量子动力学演化系统，研究团队通过低阶与高阶可观测量期望值将数据映射到高维特征空间。这种方法能捕获传统经典方法难以处理的统计依存关系。 该工作在高维现实数据集（包括分子毒性分类和图像识别任务）上验证了方法的有效性，并通过特征重要性分析证明：量子提取的特征不仅能对经典特征形成补充，在多数情况下其表现更优。研究结果表明，将量子与经典特征提取技术相结合，可在多样化机器学习任务中实现稳定性能提升，这标志着近期量子设备在数据驱动应用中已展现出可靠的早期实用价值。