量子科技中心_量科网

量子计算机能高效地从传统计算机难以处理的概率分布中进行抽样，这为量子生成建模奠定了基础。然而此类模型的实际训练仍面临挑战——基于参数偏移规则的梯度评估会随参数数量线性增加，且需在有限采样噪声下重复进行期望值估计。该研究团队提出了一种将对比散度原理拓展至量子模型的训练框架：通过推导电路结构并提供通用构建方法，获得了能生成参数更新所需样本的量子电路，其计算复杂度与正向传播相当（类似于经典神经网络的反向传播）。数值结果表明，该框架在显著减少样本需求的同时，达到了与基于似然优化相当的精度。这一框架由此建立起直接在量子硬件上训练高表达能力量子生成模型的可扩展路径。