量子科技中心_量科网

将经典数据编码为量子态是量子机器学习中的核心瓶颈问题：许多广泛使用的编码方式存在电路效率低下的问题，需要深层电路和大量量子资源，这限制了在量子硬件上的可扩展性。该研究团队提出了TNQE框架——一种基于结构化酉张量网络（TN）表征的电路高效量子数据编码方案。TNQE首先通过张量网络分解表示每个经典输入，随后通过两种互补的“核心-电路”转换策略将生成的张量核编译为编码电路。为使该编译过程可训练且符合量子操作的酉特性，研究人员引入了一种酉感知约束，将张量核参数化为可学习的块酉矩阵，使其既能直接优化又可作为量子算子直接编码。所提出的TNQE框架能显式控制电路深度和量子比特资源，可构建浅层且资源高效的量子电路。在一系列基准测试中，TNQE实现的编码电路深度仅为振幅编码的0.04倍，同时天然支持高分辨率图像（256×256像素）处理，并在真实量子硬件上展示了实际可行性。