AI与世界难题 · 量子物理与量子计算 · arXiv · 2026-10-20
线性代价下量子数据嵌入的原型引导优化
原标题: Prototype-Guided Optimization of Quantum Data Embeddings with Linear Cost
在监督式量子机器学习中，优化量子数据嵌入的成本很高，因为现有方法需要评估每对样本之间的保真度，其复杂度为 O(B²)。作者提出了一种原型引导的目标函数，仅需 O(B) 次保真度评估，并将其整合到同时优化电路架构的流程中。在多达 20 个量子比特的五个基准测试中，该方法在降低评估成本的同时，仍能与量子核 SVM 保持竞争力，并且在 T-MNIST 上相比成对优化取得了显著提升。