量子科技中心_量科网

验证量子技术对经典机器学习任务的优越性仍是量子科技与人工智能领域的核心目标。当前面临两大瓶颈：实际数据集的高维特性与近期量子计算机的有限性能。在为数不多经实验验证具备量子优势的模型中，玻色采样虽表现突出却缺乏实际应用场景。本研究构建了一个混合框架，将玻色采样的计算能力与神经网络的适应性相结合，构建出可增强支持向量机分类性能的量子核函数。该神经网络自适应地将数据特征压缩至可编程玻色采样线路，生成的量子态跨越高维希尔伯特空间，从而提升分类性能。通过在四类不同数据集上的测试，该工作证明该模型性能优于经典的线性核与S型核函数。这些成果彰显了基于玻色采样的量子核函数在实用化量子增强机器学习中的潜力。