机器学习模型用于对大数据的模式识别分析，无需人工直接干预。无监督学习的任务在于寻找最能描述现有数据的概率分布，进而利用该分布对目标观测变量进行预测。经典模型通常将数据拟合至具有大量可调参数的哈密顿量玻尔兹曼分布。这些模型的量子扩展版本则用量子密度矩阵替代经典概率分布。仅当充分利用密度矩阵中经典概率分布所不具备的特性时，才能获得优势。这种情况既取决于输入数据特征，也与目标观测变量密切相关。研究通过具体案例阐明了限制潜在量子优势的约束条件。这种与问题相关的量子优势程度，对数据分析和传感应用领域均具有重要启示意义。
作者所在地：
VIP可见
作者单位：
VIP可见
期刊参考：
登录可见
页数/图表：
登录可见
提交arXiv：
2025-11-13 08:50
