量子科技中心_量科网

量子机器学习相较于经典方法的实际优势近来受到日益严格的审视，特别是在去量子化研究成果和大规模基准测试对早期乐观论断提出质疑之后。该工作通过混合量子-经典神经网络中的线性酉组合框架，对非酉量子机器学习进行了系统性实证评估。在涵盖四个领域（数字分类MNIST、农业病害检测PlantVillage、分子特性回归QM9和医学病理图像PathMNIST）的570余项实验中，研究人员将非酉量子层与结构相同的酉基线模型进行了对比。所有领域均观察到一致的性能提升，提升幅度从+0.2个百分点到+5.8个百分点不等，具体取决于数据集复杂性和量子比特数量。一个特别显著的发现是医学影像任务中的费希尔效率转变现象：当量子比特数从10增加到12时，参数效率会从负转正，表明存在依赖阈值的效率机制。此外，在CIFAR-10数据集上，非酉瞬时量子多项式（IQP）电路变体在10量子比特条件下达到或超越经典基线，证明具有既定计算复杂性理论保证的电路在LCU框架下仍能保持有竞争力的学习性能。这些成果首次大规模实证揭示了非酉量子机器学习在近期可实现场景中产生可测量优势的具体条件。