量子科技中心_量科网

在涉及大规模数据集和信息关键型应用（如高能物理领域）时，需要构建高度复杂、规模庞大且兼具鲁棒性与精确性的模型。为解决这一难题并满足学习需求，该研究团队提出采用量子增强模型的联邦学习框架。具体而言，设计了一种混合量子-经典长短期记忆模型（QLSTM）用于分布式节点的本地训练，该模型融合了量子模型在理解特征空间复杂关系方面的表征能力，以及基于LSTM模型学习数据点间必要关联的特性。鉴于当前独立噪声中等规模量子（NISQ）设备的计算限制与高昂成本，研究人员建议采用联邦学习架构，可根据设计需求和数据可用性将学习任务分配至本地服务器。通过在包含500万条数据的超对称性（SUSY）数据集分类任务上的实验表明，该设计不仅优于现有基于变分量子电路（VQC）的量子机器学习（QML）技术，其性能（Δ~±1%）更可与经典深度学习基准相媲美。这项研究的重要发现是：所设计框架仅需不足300个参数和2万数据点即可达到相当性能，相较基线模型实现了100倍的效率提升。这证明了基于LSTM架构与量子增强VQC的联合模型，能以最小化数据和资源需求实现更优的学习效能。