量子科技中心_量科网

利用经典机器学习模型从量子数据中学习已成为实现量子优势的新兴范式。尽管已有大量关于模型性能的分析研究，但在实际场景中往往难以获取目标领域纯净且完全标注的量子数据，导致模型不得不在与部署环境存在差异的条件下进行训练。这种数据条件的不匹配凸显了超越前人研究常规假设的新方法需求。该工作通过采用无监督域适应框架来处理非理想量子数据学习问题，提出创新解决方案。具体而言，研究团队借助经典阴影技术获得的量子态经典表示，在完成量子态测量后，完全在经典计算流程中实现无监督域适应。在真实域偏移条件下，研究人员通过数值模拟评估了该框架在量子物质相变和纠缠分类任务中的表现。两项任务的结果均表明，该方法显著优于仅使用源数据的非自适应基线模型和仅依赖目标数据的无监督学习方法，证实了域适应技术在现实量子数据学习中的实用价值。