量子科技中心_量科网

近年来，量子机器学习引起了广泛关注。然而，现有方法大多属于变分算法范畴，需要进行大量参数优化子程序。本研究提出了一种概念上截然不同的量子机器学习方法，突破了变分范式限制。Harmoniq算法采用源自量子调和分析的新型数据增强技术，将其近似为n量子比特电路（深度至多为二次方）的随机混合。该方案的核心优势在于模块化特性：当被视为作用于密度矩阵的量子过程时，它能轻松与其他量子数据处理和学习子程序相结合。后续案例研究通过将Harmoniq与输入密度矩阵的随机振幅编码、输出密度矩阵的量子主成分分析相结合，展示了这种模块化特性。由此构建的信号去噪流程在小样本场景下表现尤为突出。