量子科技中心_量科网

量子机器学习通常基于这样一种动机：量子系统能够暴露经典模型难以获取的高维结构。该研究提取了这一论断的核心组成部分：固定数据编码映射。在输出维度匹配且经典控制条件严格的情况下，将振幅编码、角度编码和基编码作为确定性特征映射，用于经典监督学习评估。该基准测试将这些编码与原始线性模型、随机傅里叶特征、多项式特征、主成分分析（PCA）、径向基函数支持向量机（RBF SVM）以及浅层神经网络，在多个经典数据集上进行了对比。研究并非将性能视为单一终点，而是通过有效秩、条件数、中心化核对齐、预测性能及实际开销，分析了每种表示的几何结构。由此得出的图像是机制性的：振幅编码可通过单位球面归一化消除幅度信息；角度编码可能在与原始线性特征结合时产生几何冗余；基编码则会施加与平滑决策结构不匹配的二元汉明几何。这些发现并非否定量子计算，而是表明，仅凭固定量子启发式编码几何，本身并不能成为经典数据上机器学习优势的可靠来源。