量子科技中心_量科网

量子生成学习是量子计算机的一个前景广阔的应用方向，但面临若干可训练性挑战，包括实验性梯度估计的困难。然而对于某些结构化量子生成模型，局域可观测量期望值可在经典计算机上高效计算实现无需量子梯度评估的完全经典化训练。尽管训练过程具有经典计算效率，这类电路的采样仍被认为存在经典计算困难，因此推断阶段必须在量子设备上执行——这可能产生计算优势。该工作引入费米子玻恩机作为此类可经典训练量子生成模型的示例。该模型采用参数化魔术态与含可学习参数的费米子线性光学变换，其训练过程通过将魔术态分解为高斯算子来实现期望值的高效估计。此外，该拟设的特殊结构诱导出具有优化友好特性的损失函数景观。通过费米子-量子比特映射，费米子线性光学电路可在量子比特架构上实现推理阶段对学习分布的采样。针对160量子比特系统的数值实验验证了该模型与训练框架的有效性。