量子科技中心_量科网

尽管近年来量子机器学习取得了快速进展，但该领域在许多方面仍陷入困境。现有方法存在严重局限性，且该团队仍缺乏简单、可解释、可扩展且天然适用于量子数据的学习框架。为解决这一问题，该工作在此引入量子高斯过程——一种通过未知量子变换的先验从量子系统中学习的贝叶斯框架。该团队证明，在适当条件下，酉量子随机过程可定义高斯过程，从而直接在量子数据上实现回归、分类和贝叶斯优化。该框架的关键要素在于，通过充分了解量子过程的结构与对称性，研究人员可利用其对应的量子内核定义信息丰富的先验，从而为学习模型注入强大的、基于物理知识的归纳偏置。该团队随后证明，匹配门（matchgate）或自由费米子演化可产生可证明且可扩展的量子高斯过程，这为该框架中首个未知酉算子对所有量子比特产生非平凡作用的家族。最后，该团队在量子传感任务中展示了精确的长程外推、多体系统的相图学习以及样本高效的贝叶斯优化。该工作的研究结果将量子高斯过程确定为通往更简单、更结构化的量子学习形式的一条有前景的路径。