量子科技中心_量科网

变分量子算法作为量子计算机在学习任务中的早期应用已引起广泛关注。在监督学习领域，大多数利用参数化量子电路解决分类问题的研究将范围局限在二元分类场景，或通过二元分类器集成（如一对其余策略）实现多元分类。而少数提出原生多元分类模型的研究，也未充分论证其分类观测量的选择依据。该工作系统研究了多元量子机器学习中的两大分类准则：最大化代表类别的观测量期望值，或最大化编码量子态与代表类别的参考态之间的保真度。为比较这两种方法，研究人员在量子机器学习模型中分别选用泡利字符串集合和计算基投影算子集合作为观测量。通过观察各类模型的实证表现，该团队结合“贫瘠高原”和“神经崩溃”现象，分析了不同观测量集合选择对量子机器学习模型性能的影响。这些发现为未来多元量子机器学习模型的设计提供了重要参考。