量子科技中心_量科网

经典自编码器被广泛用于学习输入数据的特征。为提高特征学习能力，经典掩码自编码器通过遮蔽部分数据，使模型能从残缺样本中学习原始输入特征。尽管量子自编码器已有相关研究，但目前尚未出现能结合量子计算优势与量子自编码器特性的量子掩码自编码器设计与实现方案。本工作提出量子掩码自编码器（QMAE），该模型能直接在量子态（而非经典嵌入空间）中有效学习数据样本的缺失特征。研究团队通过实验证明，该架构可成功学习图像的遮蔽特征，并在MNIST数据集上实现遮蔽输入图像的视觉保真度重建。实验评估表明，在存在掩码的情况下，QMAE的分类准确率较最先进的量子自编码器平均提升达12.86%。