量子科技中心_量科网

机器学习在现代社会中得到广泛应用，但尚未充分利用量子资源带来的独特优势。基于量子干涉的玻色采样协议是一种经典计算机难以模拟的资源，可在现有量子硬件上实现。本研究团队提出了一种用于经典机器学习的量子加速器，利用玻色采样为储备池计算提供高维量子指纹。该工作展示了在多种条件下的稳健性能提升：包括光子源不完美直至完全可区分的情况；存在严重类别不平衡的场景，成功实现手写数字和生物医学图像分类；以及稀疏数据场景，仅需二十分之一的训练数据即可保持模型精度。最关键的是，该团队在光子量子处理单元上验证了该方案的加速性能和可扩展性，首次通过实验证明玻色采样增强学习能在真实量子硬件上带来实际性能提升。