量子科技中心_量科网

多光谱卫星影像因光谱数据的高维特性及通道间存在的结构化相关性，给深度学习模型带来了重大挑战。量子机器学习领域的最新研究表明，幺正演化和希尔伯特空间嵌入能为学习过程引入有益的归纳偏置。本工作揭示，那些常被归因于量子特征映射的实证优势，其实更精确地源于幺正群作用及其伴随的商对称性所诱导的几何结构。基于这一发现，该团队提出了一种完全经典的池化机制——通过固定参考系的幺正作用将潜在特征映射到复射影空间。该设计有效压缩了不可辨识的自由度，从而降低了学习表征的维度。在多光谱卫星影像上的实验表明，与传统池化基线相比，将这种量子启发的池化操作整合到卷积神经网络中，能显著提升优化稳定性、加速收敛过程并大幅降低方差。这些结果阐明了几何结构在量子启发架构中的作用，并证明其优势可通过完全基于经典深度学习模型的几何归纳偏置原理实现复现。