玻恩机的自适应线路学习：迈向振幅嵌入与量子数据加载的实现

量子数据加载在量子算法与量子信息处理中起着核心作用。许多量子算法依赖于制备任意叠加态作为子程序的能力，其宣称的指数级加速往往以能够访问高效的数据加载预言机为前提。在实践中，构造一个线路来制备一般的 $n$ 量子比特量子态通常需要的计算代价随 $\mathcal{O}(2^n)$ 缩放，这对量子算法超越其经典对应方案构成了重大挑战。为解决这一关键问题，人们提出了多种混合量子-经典方法。然而，这些方案中有许多偏爱简单的线路架构，易受严重优化困难的困扰。在本研究中，我们利用量子线路作为玻恩机来生成概率分布。受量子化学与凝聚态物理中研究电子结构所用方法的启发，我们提出了一种称为玻恩机自适应线路学习（Adaptive Circuit Learning of Born Machine）的框架，该框架动态地扩展 ansatz 线路。我们的算法旨在有选择地整合那些最能捕捉目标态内复杂纠缠的两量子比特纠缠门。实证实验凸显了我们的方法通过振幅嵌入编码真实世界数据的有效性，表明其不仅符合而且超越了先前研究设定的性能基准。