数据常可在浅深度载入：来自张量网络的量子电路用于金融、图像、流体与蛋白质

尽管在开发研究经典数据集的量子算法方面已取得实质性进展，仅载入经典数据的代价仍是实现量子优势的一大障碍。当使用振幅编码时，载入任意经典向量所需的电路深度相对于量子比特数可达指数级。本文通过两方面贡献解决这一“输入问题”。首先，我们引入一种基于张量网络（TN）理论的电路编译方法。我们的方法——AMLET（利用张量网络的自动多层载入器）——通过精心构造特定TN拓扑实现，并可针对任意电路深度定制。其次，我们在来自四个不同领域的真实经典数据上进行了数值实验：金融、图像、流体力学和蛋白质。据我们所知，这是迄今为止将经典数据载入量子计算机最广泛的数值分析。所需电路深度常比指数级缩放的通用载入算法所需低数个数量级。除引入更高效的载入算法外，本工作表明许多经典数据集可在远短于先前预期的深度下载入，这对在量子计算机上加速经典工作负载具有积极意义。