量子科技中心_量科网

该论文提出了一种高效且可扩展的张量网络框架，用于量子核电路模拟，有效缓解了量子比特数量和数据规模增加带来的实际成本问题。该框架能对高达784个量子比特的线性混合量子-经典双核进行系统性大规模评估。研究人员使用Fashion-MNIST数据集，在特征维度从2到784（编码特征与量子比特一一对应）的范围内，比较了经典核、量子核及量子-经典双核对测试数据集的分类性能。结果表明：量子-经典双核始终优于两种单核基准方法，在维度增加时保持稳定，并缓解了量子核在大规模维度下出现的性能退化现象。对学习混合权重的分析表明：在128个特征以下时量子贡献占主导地位，超过128个特征后经典贡献逐渐重要。这表明经典核能作为稳定锚点抵抗浓度效应和硬件噪声，同时在低维度下保持量子优势。