量子科技中心_量科网

随着大规模经典机器学习与量子技术的并行快速发展，量子机器学习（QML）正引发日益增长的研究兴趣。与经典机器学习类似，QML模型同样面临标注数据稀缺的挑战——这一问题随着模型规模和复杂度的提升愈发显著。该研究团队提出了一种量子表征的自监督预训练方法，通过从未标注样本中学习不变性特征来降低对标注数据的依赖。研究人员在一台可编程离子阱量子计算机上实现了该范式，将图像编码为量子态进行原位对比预训练。实验表明：经过硬件端到端训练获得的量子表征，在微调后的图像家族分类任务中，其平均测试准确率显著高于随机初始化模型，且结果波动性更低——这一优势在标注训练数据有限的场景中尤为突出。该工作还证实，学习到的不变性特征可泛化至预训练样本以外的图像。不同于先前研究，该团队创新性地利用测量的量子态重叠度作为相似性依据，并将所有训练与分类阶段均在硬件端执行。这些成果为量子表征学习开辟了一条高效利用标注数据的新路径，不仅可直接应用于量子原生数据集，也为处理更大规模经典输入提供了清晰的技术路线。