AI 與世界的難題 · 量子物理與量子運算 · arXiv · 2026-10-23
用於電路高效量子資料編碼的結構化么正張量網路表示
原標題: Structured Unitary Tensor Network Representations for Circuit-Efficient Quantum Data Encoding
將古典資料編碼為量子態是量子機器學習的關鍵瓶頸,因為許多常見方法需要深層電路和大量量子資源。作者提出TNQE框架,將資料分解為結構化的么正張量網路,並使用可學習的區塊么正矩陣將其編譯成編碼電路。在各項基準測試中,其電路深度最低僅為振幅編碼的0.04倍,可擴展至256×256的影像,並在真實量子硬體上展現了實際可行性。