L'IA face aux grands problèmes du monde · Physique quantique et informatique quantique · arXiv · 2026-10-23
Représentations par réseaux de tenseurs unitaires structurés pour un encodage quantique des données efficace en circuits
Titre original: Structured Unitary Tensor Network Representations for Circuit-Efficient Quantum Data Encoding
L'encodage de données classiques dans des états quantiques est un goulot d'étranglement majeur de l'apprentissage automatique quantique, car de nombreuses méthodes courantes nécessitent des circuits profonds et des ressources quantiques importantes. Les auteurs proposent TNQE, un cadre qui décompose les données en réseaux de tenseurs unitaires structurés et les compile en circuits d'encodage à l'aide de blocs unitaires apprenables. Sur l'ensemble des benchmarks, il obtient des circuits dont la profondeur peut descendre à 0.04 fois celle de l'encodage par amplitude, passe à l'échelle jusqu'à des images de 256×256 et démontre sa faisabilité pratique sur du matériel quantique réel.