量子科技中心_量科网

自编码器通过解决维度灾难、实现原则性权重初始化以及学习紧凑且有结构的表示，改变了经典机器学习。在本工作中，该团队将这一范式扩展到量子机器学习，引入了一个变分自编码器框架，用于学习经典数据的特定任务量子嵌入。研究证明，包括ImageNet在内的高维数据集可以被压缩到13个量子比特的量子表示中，同时通过一个学习到的解码器保持可重构性。在MNIST（数字3 vs 5）任务上，该方法使用基于电路中心的量子分类器实现了98.5%的验证准确率，仅比经典神经网络基线（99.7%）低1.2个百分点，并且比一种简单的振幅嵌入方法高出30多个百分点。与需要完全量子态层析成像来恢复的振幅嵌入，或通常依赖有限假设下电路反转的角度嵌入不同，所提出的框架仅需多项式数量的测量即可重构原始数据。该框架还在IBM量子硬件上进行了验证，确认了学习到的嵌入在真实设备噪声下保持稳定且可重构。