量子科技中心_量科网

该研究团队提出名为QuCoWE的量子原生词嵌入学习框架，通过训练具备对比性跳元目标（skipgram objective）的浅层硬件高效参数化量子电路（PQCs）实现。该方法采用数据重上传电路编码词汇，使用受控环状纠缠结构，并通过量子态保真度计算相似度，最终经过对数-保真度头部处理使分数与SGNS噪声对比估计的平移点互信息（shifted-PMI）标度对齐。为保持可训练性，团队引入基于单量子比特纯度的纠缠预算正则器，有效缓解训练中的贫瘠平台现象。在Text8和WikiText2数据集上，QuCoWE在WordSim353、SimLex999本征评估及SST2、TREC6外征评估中，相较于50-100维经典基线模型展现出竞争力，同时每个词符所需训练参数更少。所有实验均在经典模拟环境中完成，研究人员分析了退极化读取噪声，并集成误差缓解模块（包括零噪声外推、随机化编译等技术）以适配实际硬件部署需求。