量子科技中心_量科网

模拟量子计算利用可控物理动力学作为计算资源，为机器学习提供了一条路径。然而，许多现有方法依赖于任务特定的协议或实验上难以观测的物理量，限制了其通用性和实现。这里，该团队提出Qlustering——一种基于GKSL主方程支配的量子网络中稳态量子输运的无监督聚类框架，通过算法-硬件协同设计开发。数据被编码为输入态，聚类分配则从稳态输出电流中推断得出，从而避免了对完整量子态层析的需求，转而采用易于获取的输运可观测量。该方法实现了一种混合经典-量子工作流，其中数据准备和训练在经典设备上完成，而聚类则由输运动力学执行。研究团队在合成数据集、局域化数据集、QM9和Iris上对该方法进行了基准测试，发现在广泛的退相位强度范围内均具有竞争性性能和稳定性。这些结果表明，未标注数据的结构可以直接从稳态输运可观测量中提取，从而将终端电流读取识别为一种天然的、无需量子态层析的开放量子网络无监督学习机制。