量子科技中心_量科网

分布式架构正成为量子机器学习领域克服硬件限制、实现可扩展量子信息处理的重要手段。本研究分析了分布式量子极限学习机（QELM）架构的设计与性能，该架构通过直接学习量子态数据函数，并将测量限制为计算基下易实现的投影测量。研究旨在确定哪些方案能有效恢复输入量子态的特定属性（包括线性和非线性特征），同时量化测量和存储库维度方面的资源需求。通过对比标准三层QELM与由多个独立三层单元组成的空间复用架构在线性（量子）任务中的表现，该工作发现每个单元的资源需求呈线性下降。针对非线性属性，研究考察了多重注入架构，并提出了一种新型分布式设计——在空间复用框架中引入子系统间纠缠，并通过重构多项式目标、Rényi熵和纠缠度量等复杂非线性量来评估其性能。结果表明，这种分布式设计通过增加交互子系统数量（而非扩大单个存储库规模）来重构高阶非线性特征，在降低资源消耗的同时为量子属性学习提供了可扩展且硬件高效的实现路径。