量子科技中心_量科网

经典与量子混合学习的瓶颈通常在于通信开销和通用变分拟设带来的近似误差。该研究提出神经原生量子算术（NNQA）方法，通过将经典学习的非线性表示编译为由原生酉模块构成的精确量子算术。理论上，该团队证明可通过将经典神经网络转化为量子电路来实现量子多项式算术的通用逼近，其误差仅源于测量散粒噪声，从而将经典算子级估计保证扩展到量子领域。在IBM Quantum Heron3和IonQ Forte处理器上的实证验证表明，性能主要受限于设备噪声而无需变分微调：该团队对35次多项式实现了99.5%以上的准确率，并在IonQ硬件上展示了36量子比特和70层电路深度的可扩展性，达到0.005的可忽略均方根误差。总体而言，NNQA为原生量子计算建立了一种合成量子算术的新范式。