量子科技中心_量科网

近年来，机器学习领域的进展深刻变革了众多工业领域，然而经典范式仍面临根本性局限：数据量飞速增长、计算成本持续攀升、能源消耗巨大，以及传统硬件架构在物理层面的扩展极限。量子计算作为一种有望应对这些挑战的计算范式应运而生，并催生了量子机器学习（QML）这一研究领域。本文深入探究了QML的理论基础，重点关注近期及未来的实际应用。研究聚焦于三大核心挑战：变分量子电路的可训练性、其表达能力，以及其对高效经典模拟的抵抗能力。首先，该工作研究了汉明权重保持变分量子电路的可训练性，并建立了理论保证，解决了关于此类电路家族不存在贫瘠高原这一悬而未决的猜想。随后，该团队引入了子空间保持QML算法，包括光子电路和量子卷积神经网络，这些算法旨在模拟经典机器学习子程序，同时提供多项式级别的量子优势。最后，研究人员将变分量子电路作为量子傅立叶模型进行分析，推导出一个联合表征其表达能力与可训练性的框架，并据此得出量子模型能够被证明与经典模型分离的条件。这些贡献旨在推进利用近期及未来量子技术在现实世界中应用的理论路线图。