一种多类 SWAP 测试分类器

多类分类问题在研究与工业的众多不同领域中具有基础性地位。为解决多类分类问题，可采用一对一或一对多等启发式策略。然而，这些策略所需的二分类模型数量随类别数增加而增长。量子机器学习近期发展出多类量子分类器，通过将数据与一组标签态之间的映射进行学习，规避了此种增长。本文受其二分类前身及近期工作中标签态使用的启发，提出了首个多类 SWAP 测试分类器。该分类器避免了开发多个模型的开销。与先前工作相比，其所需量子比特数、测量策略及所用电路拓扑均不随类别数变化。此外，不同于其他多类量子分类器架构，单量子比特的状态重构即为多类分类任务提供了充足信息。解析结果与数值模拟均表明，该分类器不仅可有效应用于多样化分类问题，且对特定噪声条件具有鲁棒性。