量子科技中心_量科网

量子机器学习（QML）常被视为量子计算机最具应用前景的领域之一，这源于多项关于量子优势可能性的理论证明。核心问题在于：量子计算机在保证可验证学习优势的前提下，其参与程度最低能降至何种水平？本研究探讨了一种极端受限的场景——量子计算机仅作为特征提取器使用：它独立处理单个数据点，无法访问标签或全局数据集信息，仅用于增强训练集，且在模型部署阶段不可用。因此，训练和部署完全由经典学习器在量子生成特征增强的数据集上完成。我们通过将经典“特权信息下学习”（LUPI）框架适配至量子场景，构建了“量子特权信息下学习”（LUQPI）理论模型。在此框架下，研究表明即便这种仅限训练阶段的最小化量子特征提取，在合理计算假设下，针对特定概念类别和数据分布，仍能实现指数级的量子-经典性能分离。研究进一步将LUQPI置于相关量子与经典学习场景的分类体系中，并展示标准经典方法（尤其是SVM+算法）如何有效利用量子增强数据。最后，该团队在物理启发的多体系统场景中进行了数值实验，其中特权量子特征为基态可观测量期望值，观测到LUQPI类模型相较强经典基线始终具有性能优势。