量子科技中心_量科网

量子核方法在近期量子机器学习领域展现出良好前景，但其在数据损坏情况下的表现机制尚未充分阐明。该研究团队系统分析了受控加性噪声下量子特征构建的退化规律，提出了一种混合架构——频谱相位编码（SPE），该技术将离散傅里叶变换（DFT）前端处理与符合对角量子映射几何结构的纯相位对角嵌入相结合。通过统一评估框架，研究人员在相同干净数据超参数选择条件下，对比了QK-DFT与其他量子变体（QK-PCA、QK-RP）及经典SVM基线的表现，并采用数据集固定效应回归结合跨异构真实数据集的野簇自助推断法量化了鲁棒性。 研究发现：在量子方法族中，基于DFT预处理的技术随噪声增加表现出最小的性能退化率，其斜率差异相对于PCA和RP方法具有统计显著性；与经典基线相比，QK-DFT在匹配调参条件下显示出与线性SVM相当的退化程度，且稳定性优于RBF SVM。硬件实验证实SPE在重叠估计任务中保持可执行性与数值稳定性。这些结果表明：量子核的鲁棒性本质上取决于结构对齐的预处理及其与对角嵌入的交互作用，这为NISQ时代的量子机器学习提供了“鲁棒性优先”的研究视角。