量子科技中心_量科网

量子神经网络（QNNs）存在一个根本性的采样瓶颈问题，因为量子测量具有概率性，需要多次电路执行才能以足够精度估计输出结果。传统的蒙特卡洛（MC）推理方法存在𝒪(1/√𝑁)的采样误差，这使得QNN推理和训练在当前量子硬件上成本高昂——尤其是当每次采样都需要昂贵的量子比特生成时。该工作通过将量子振幅估计（AE）技术集成到读出阶段，提出了一种“单次采样”QNN框架。通过将训练好的QNN作为状态制备预言机嵌入AE中，输出结果通过相干干涉而非重复采样进行估计。研究表明，基于AE的QNN推理即使单次采样也能实现𝒪(1/𝑁)的误差率。该团队进一步分析了噪声鲁棒性和训练可行性，证明AE能成为克服QNN采样开销的强大基础工具。这凸显出当模型本身具有量子特性时，量子算法可显著提升计算效率。