使用数十个噪声量子比特证明量子机器学习优势
量子物理
2026-05-21 v1
摘要
涉及量子数据的学习问题是展示量子机器学习优势的自然候选任务。最近的结果表明，对于特定任务且在无噪声条件下，量子数据的一致处理优于固定测量方案随后的经典处理。仍不确定这种性能差异在有限规模和不可避免存在噪声的情况下是否持续。本文我们展示了针对已知具有渐进优势的学习问题进行的仿真和分析，现场硬件 subjected to 噪声量子数据。将一致的量子处理直接与固定测量方案进行比较，我们的结果显示在仅 30 到 40 个噪声量子比特的规模下 demonstrate 明显的性能分离。即使在这个规模上，根本性瓶颈已不再是经典计算，而是数据获取；匹配噪声一致协议与 measure-first 策略仍需要数月甚至数年的测量。通过系统评估硬件约束，如状态准备、门错误、读出错误、连通性和相干时间，我们提供证据表明此类强学习优势的 demonstration 在近期设备上是可实现的。
引用
@article{arxiv.2605.21346,
title = {Evidence of Quantum Machine Learning Advantage with Tens of Noisy Qubits},
author = {Onur Danaci and Yash J. Patel and Riccardo Molteni and Evert van Nieuwenburg and Vedran Dunjko and Jan A. Krzywda},
journal= {arXiv preprint arXiv:2605.21346},
year = {2026}
}
备注
11 pages, GitHub Repo: https://github.com/jaq-lab/noisy-learning-advantage