量子科技中心_量科网

该研究团队将量子机器学习划分为四个子领域，并采用基于数据采集方式（经典设备C/量子设备Q）与处理方式（经典算法C/量子算法Q）的拓扑分类法： 1. 经典数据与经典设备（CC） 重点关注跨领域工具迁移应用，典型案例包括：使用神经网络描述复杂量子系统，利用张量网络完成分类、异常检测、数据嵌入、语言建模及生成建模等机器学习任务。另一个重要方向是开发量子启发式经典算法，例如量子推荐系统的去量子化研究。 2. 经典数据与量子算法（CQ） 核心目标是以更高效率的量子算法替代经典算法中的计算密集型模块。这种“高效性”可能体现在计算速度、泛化能力或鲁棒性方面。最典型的量子“算法”是神经网络量子版本——变分量子电路。 3. 量子数据与经典算法（QC） 主要应用机器学习辅助量子实验：既包括用量子测量数据通过经典机器学习工具进行分析，也涉及量子设备校准这一易错且关键的任务自动化。 4. 量子数据与量子算法（QQ） 由于当前量子设备的相干时间较短且控制技术不成熟，该领域探索相对有限。量子密码学可能是潜在应用方向之一。