量子科技中心_量科网

尽管量子机器学习（QML）具有巨大潜力，但其在含噪声中等规模量子（NISQ）硬件上的实际应用一直受限于变分量子电路（VQC）的固有缺陷。最新研究表明，VQC存在严重的可训练性和噪声敏感问题，这引发了人们对其长期适用性的质疑。然而，直接在脉冲控制层面实现学习模型的可能性仍未被充分探索，这可能提供一个有前景的替代方案。该研究团队构建了一种基于脉冲的数据重传变体，将可训练参数直接嵌入量子系统的本征动力学中。研究人员在模拟的超导transmon处理器上进行了基准测试，采用真实噪声模型。结果显示：在同等噪声条件下，脉冲模型始终优于基于量子门的实现方案，表现出更高的测试精度和更强的泛化能力。此外，通过系统性增强噪声强度，该工作证实脉冲级实现能更长久地保持较高保真度，对退相干和控制误差具有更强的鲁棒性。这些发现表明，虽然脉冲原生架构研究较少，但它可能为NISQ时代的实用化QML提供一条与硬件深度协同的可行发展路径。