量子科技中心_量科网

量子机器学习（QML）作为连接量子计算与机器学习的交叉领域，近年来受到广泛关注。当前该领域整体面临量子神经网络（QNN）表达能力理论框架不完善的挑战。本研究中，研究人员提出了一种可构建式QNN模型，并证明其具备通用逼近性质（UAP），即能以任意精度逼近任何平方可积函数。该模型还支持切换函数基，因此能适应数值逼近和机器学习中的多种场景。在电路规模方面，该模型相较最优经典前馈神经网络具有渐进优势，且在L2范数下逼近Sobolev函数时实现了最优参数复杂度。