量子科技中心_量科网

受量子启发的机器学习（QiML）通过借鉴量子理论的数学框架来增强经典算法，其核心在于高维特征空间中的内积结构。在主流方法中，支持向量机广泛采用的“核技巧”可实现高效相似度计算，而源于量子态辨别的“相当好测量”（PGM）则能实现基于希尔伯特空间几何结构的分类。基于核化PGM（KPGM）和直接PGM分类器的最新进展，该研究团队对这两种范式进行了统一的理论与实证对比。通过使用量子SMOTE（QSMOTE）变体在合成过采样场景中的测试表明：PGM和KPGM分类器始终优于经典随机森林基线模型，尤其在采用多量子副本时表现更优。其中，立体编码结合2副本的PGM方案取得了最高综合准确率（0.8512）和F1分数（0.8234），而KPGM在所有QSMOTE变体中展现出更具竞争力且稳定的性能，其立体编码和振幅编码模式分别获得0.8511与0.8483的峰值评分。这些发现揭示：量子启发分类器不仅能显著提升召回率与平衡性能，还具有互补优势——PGM受益于编码特异性增强，而KPGM则对采样策略具有普适鲁棒性。该研究成果深化了人们对基于核与基于测量的QiML方法的认知，并为不同数据特性和计算约束下的应用选择提供了实践指导。