量子科技中心_量科网

光子量子机器学习（PQML）是一种新兴方法，它通过将光子量子计算技术与机器学习技术相结合，实现可扩展且高能效的量子信息处理。光子系统具有室温操作、高速信号处理以及在高维希尔伯特空间中表征信息等优势。然而，噪声仍然是影响PQML实现性能、可靠性和可扩展性的主要挑战。本文对光子量子机器学习系统中的噪声源进行了系统分析：首先梳理了光子量子计算架构，探讨了在光子平台上实现的关键量子机器学习算法，包括变分量子电路、量子神经网络和量子支持向量机；其次对主要噪声机制进行分类，并分析其对学习性能、训练稳定性和收敛行为的影响；进而综述了传统与先进的噪声表征技术，调研了光子量子系统中最新的噪声抑制策略；最后重点介绍了近期实验进展，并讨论了在现实噪声条件下开发鲁棒且可扩展PQML系统的未来研究方向。