量子科技中心_量科网

量子度量学习通过将经典数据映射至量子希尔伯特空间（实现类别间最大分离）来增强机器学习性能。然而在当前含噪声中等规模量子（NISQ）硬件上，这种映射过程本身容易产生误差，甚至可能存在根本性错误。验证量子嵌入模型是否真正实现承诺的分离效果，对确保算法正确性与可靠性至关重要。本文提出一种实用的黑盒验证协议，用于审核量子度量学习模型的性能。 该研究团队定义了一个双参与方场景：1）能力强大但不可信的证明者——其声称拥有参数化酉电路，可将不同组别的经典数据嵌入具有保证角度分离的量子态；2）能力受限的验证者——其量子操作仅限于执行基本测量。验证者对证明者的实现细节（包括模型结构、参数或测量设置）一无所知。为验证不同数据组间的分离效果，所提算法需克服两大关键挑战：首先，验证者不了解证明者的优化代价函数等实现细节，因此对各类别的预期量子嵌入态缺乏先验信息；其次，量子测量的破坏性特性阻碍了直接估算分离角度。该算法成功克服了这些挑战，使验证者能准确估算不同组别间的真实分离角度。 研究人员实施了该协议并部署验证QAOAEmbedding模型。理论分析与实际实验结果表明：该方案能有效评估嵌入质量，且在对抗环境下保持稳健性。