AI 與世界的難題 · 量子物理與量子運算 · arXiv · 2026-10-20
以線性成本進行量子資料嵌入的原型引導最佳化
原標題: Prototype-Guided Optimization of Quantum Data Embeddings with Linear Cost
在監督式量子機器學習中，最佳化量子資料嵌入的成本很高，因為現有方法需要評估每一對樣本之間的保真度，其複雜度為 O(B²)。作者提出一種以原型為導向的目標函數，僅需 O(B) 次保真度評估，並將其整合到同時最佳化電路架構的流程中。在多達 20 個量子位元的五個基準測試中，它在降低評估成本的同時，仍能與量子核 SVM 保持競爭力，並在 T-MNIST 上相較於成對最佳化有顯著提升。