量子科技中心_量科网

该研究团队提出了一种面向量子机器学习的端到端优化策略，该方法直接针对有限测量资源下的性能进行优化，将学习目标明确界定在任务性能层面。研究人员以贝叶斯量子计量学任务为验证平台，因其具备已知的理论极限和系统尺寸可扩展性特征。实验表明，采样感知混合算法在32个量子比特系统中实现了单次测量风险仅比-20分贝贝叶斯极限高1分贝的优异表现。 该工作将贝叶斯框架从参数估计扩展到全局函数推理领域——即从任意先验分布中推断传感器输入的目标函数，并证实直接函数推理相较间接重构具有显著的计算感知优势。研究人员将对应的贝叶斯风险与容量度量相关联，提出“可解析表达容量”可作为单次测量可获取函数空间的天然度量指标。通过特征任务分析，该团队成功识别出具有噪声鲁棒性的特征组合，能在资源受限或设备端实时场景下生成更紧凑的估计器，同时提升精度并降低优化成本。