量子科技中心_量科网

该研究团队提出了一种基于迹距离二叉树的AdaBoost多类量子分类器（TTA）——一种实用的量子多类分类流程，通过将量子感知约简与集成学习相结合来提高可训练性和资源效率。TTA通过在每个内部节点选择使量子态平均迹距离最大化的二分划分，构建出层次化二叉树结构；每个节点训练由浅层变分量子基学习器组成的AdaBoost二元集成模型。该方法将本质上困难的小迹距离区分任务限制在节点特定的小型数据集上，并通过AdaBoost整合弱浅层学习器，将模型能力分散到众多小型子模型而非单一深层电路，从而在不牺牲泛化能力的前提下缓解贫瘠高原和优化失败问题。实验表明，TTA在量子与经典基线模型中取得了最高测试准确率（≈100%），对常见量子误差具有鲁棒性，并实现了累计10000层网络和20万参数的聚合系统（由多个浅层电路构成）。这些实证研究成果可在近期量子平台上实现，为可扩展的多类量子机器学习提供了资源高效的技术路线。