量子科技中心_量科网

在含噪声中等规模量子（NISQ）硬件上进行聚类受到数据加载和有限量子比特数的制约。该研究团队提出qc-kmeans算法——一种混合压缩k均值方法，通过恒定大小的傅里叶特征草图概括数据集，并利用浅层量子近似优化算法（QAOA）电路求解各组小型二次无约束二值优化问题（QUBO）来选择聚类中心。其中量子傅里叶特征（QFF）草图估计器具有无偏性，当B,S=Θ(ε⁻²)时均方误差为O(ε²)，且峰值量子比特需求qₚₑₐₖ=max{D,⌈log₂B⌉+1}不随样本数量增加而增长。采用精英保留策略的 refinement 步骤确保代理成本非递增。在 Qiskit Aer 模拟中（电路深度p=1），该方法在低维合成基准测试中仅需≤9个量子比特运行，相较于量子基准线实现了具有竞争力的平方误差和（注：运行时间不可直接比较）。在九个真实数据集（最高达4.3×10⁵个数据点）上，该流程在模拟中保持恒定峰值量子比特用量。在IBM噪声模型下，其准确度与理想设定相当。总体而言，qc-kmeans为NISQ时代提供了一种具有浅层、有限宽度量子电路且在模拟中保持竞争力的聚类质量的新型实现方案。