量子科技中心_量科网

量子机器学习模型通常缺乏系统化的设计准则，往往需要耗费大量资源对多种编码方式、量子电路设计和初始化策略进行完整训练，才能找到有效配置。为解决这一难题，该研究团队开发了量子偏置-表达能力工具箱（QBET），这是一个用于评估量子、经典及混合Transformer架构的框架。在该工具箱中，研究人员引入了简洁性偏置（SB）和表达能力（EXP）的精简指标用于跨模型比较，并将SB分析拓展至生成式和多类分类任务。研究表明，QBET能高效预筛选有潜力的模型变体，从而避免执行完整的训练流程。在基于Transformer的分类和生成任务评估中，该工作共采用18个量子比特进行嵌入（查询、键和值各占6个量子比特）。通过根据SB指标对模型排序并比较其相对性能，研究人员发现了量子自注意力变体超越经典对应模型的场景。