量子科技中心_量科网

将高维数据嵌入资源受限的量子设备中，仍是实用量子机器学习面临的重大挑战。在多模态人脸防伪领域，虽然主成分分析等线性压缩方法可通过降维适配有限量子资源，但这类方法常因结构信息丢失而损害关键的高阶跨模态关联。为此，该研究团队提出混合矩阵乘积态(MPS)-变分量子电路(VQC)框架：其中MPS作为结构化、可微分的量子前压缩融合模块，VQC则充当量子分类器。该MPS模块基于虚拟键维数控制的低秩结构，集成可配置非线性增强机制，在将多模态数据压缩至匹配量子资源预算的紧凑表示时，能显式建模长程跨模态关联，同时提升极端压缩下的数值稳定性。在CASIA-SURF基准测试中，MPS-VQC以不足25万参数取得媲美经典神经网络基线的准确率，彰显张量网络表征在严苛资源预算下处理高维多模态数据的参数高效性。该框架利用MPS结构与量子电路拓扑的内在兼容性，不仅为NISQ设备高效多模态防伪提供了可行技术路径，也为未来实现全量子化任务部署奠定了基石。