量子科技中心_量科网

具有广泛适用性的量子优势，尤其是在经典数据处理和机器学习领域，一直是个根本性的开放问题。本研究中，该团队证实多对数级规模的小型量子计算机能通过实时处理样本，对海量经典数据实现大规模分类与降维，而任何达到同等预测性能的经典机器都需要指数级更大的规模。更值得注意的是，规模虽呈指数增长但仍未达标的经典机器，其所需样本量和运算时间将呈现超多项式增长。研究团队在单细胞RNA测序和影评情感分析等实际应用中验证了这些量子优势，仅用不到60个逻辑量子比特就实现了4至6个数量级的规模缩减。这些量子优势源自“量子预言机草图”算法——该技术仅需随机经典数据样本即可实现量子叠加态下的经典世界访问。结合经典阴影理论，该算法绕过了数据加载与读取瓶颈，能从海量经典数据构建简洁的经典模型，这项任务被严格证明对任何非指数级大于量子机器的经典设备都不可能实现。即使允许经典机器拥有无限运算时间，或假设BPP=BQP复杂性类成立，这些量子优势依然存在，其有效性仅取决于量子力学原理的正确性。这些成果共同确立了经典数据机器学习作为量子优势的广阔天然领域，同时也为复杂性理论前沿的量子力学验证提供了根本性测试基准。