量子科技中心_量科网

高效数据加载仍是近期量子机器学习发展的瓶颈。现有方案（角度编码、振幅编码和基矢编码）要么未能充分利用希尔伯特空间的指数级容量，要么所需电路深度超出噪声中等规模量子硬件的相干预算。该研究团队提出基于量子态制备次数编码（SBQE）的数据嵌入策略，根据数据相关的经典分布，将硬件的原生资源——量子态制备次数分配至多个初始量子态。通过将制备次数作为可学习自由度，SBQE生成混合态表示，其期望值与经典概率呈线性关系，因而可与非线性激活函数结合使用。研究证实SBQE在结构上等效于权重由量子电路实现的多层感知机，并描述了硬件兼容的实现方案。在Fashion MNIST和Semeion手写数字数据集上的基准测试（每个模型独立初始化十次）表明：SBQE在Semeion数据集实现89.1%±0.9%测试准确率（较振幅编码降低5.3%错误率，与宽度匹配的经典网络持平），在Fashion MNIST达80.95%±0.10%（较振幅编码提升2.0%，较线性多层感知机提升1.3%），且全程无需任何数据编码门操作。