小样本下单量子比特量子分类器的实验研究

我们实验研究了在硅基光子集成芯片上实现的单量子比特量子分类器，重点关注其在光子受限条件下的性能。使用数据重上传方法，通过序列最小优化（SMO）进行逐层优化，将输入数据编码到光子电路中，并根据输出检测概率进行分类。通过硅波导中的自发四波混频产生的预示单光子作为输入态。即使每个输入的平均光子样本数减少到大约两个，只要训练数据集足够大，分类器也能达到近90%的准确率。实验结果与数值模拟一致，数值模拟也表明，通过增加训练数据集的大小可以改善低样本量下的性能。这些发现表明，光子量子分类器可以在极少数光子的情况下有效运行，支持了其在集成光子平台上实现资源高效的量子机器学习的实际可行性。