量子科技中心_量科网

量子核方法通过使经典不可分的特征在量子空间中可分离，提供了显著的理论优势。然而，受限于当前噪声中等规模量子（NISQ）硬件的局限性，量子机器学习（QML）的实际应用需要有效策略来压缩和嵌入大规模现实世界数据（如图像）至现有量子设备或模拟器的有限容量中。为此，该研究团队提出量子生成核（QGKs）——一种基于生成器的量子核方法，包含一组可合并通用生成器为可参数化算子的变分生成器组（VGGs），从而确保对可用量子空间的可扩展覆盖。该方案解决了当前采用混合架构的主流策略的缺陷，这些策略可能因固定的中间嵌入过程而无法充分释放量子计算的全部潜力。为优化核与目标领域的对齐，该工作训练了一个权重向量来参数化VGGs在当前数据上下文中的投影。实验结果表明，相较于最先进的量子与经典核方法，QGKs展现出更优的投影与分类能力，并显示出其作为各类QML应用的通用框架的潜力。