分布式架构下的量子态函数学习

分布式架构正在成为量子机器学习中克服硬件限制并实现可扩展量子信息处理的重要手段。本文分析了分布式量子极端学习机（QELM）架构的设计与性能，这类架构直接从数据中学习量子态的函数，限制性地仅使用易于实现的计算基中的投影测量。旨在确定哪些方案能够有效恢复输入量子态的特定属性，包括线性和非线性特征，同时量化资源需求，包括测量次数和储备维度。我们比较了标准三层 QELM 与由多个独立三层单元组成的空间复用架构，用于线性（量子）任务，显示了单位资源需求的线性减少。对于非线性属性，本研究考察了多注入架构，并引入一种新型分布式设计，在空间复用框架内包含子系统间的纠缠，评估其性能，包括通过重构多项式目标、Rényi 熵和纠缠度量等复杂非线性量的恢复。我们的结果表明，分布式设计通过增加交互子系统的数量而非单个储备规模，实现了对更高阶非线性的恢复，同时显著降低资源消耗，为量子属性学习提供了可扩展且硬件高效的路径。