MORE：基于测量与关联的可变分量子线路多分类器

近年来，量子计算在算力密集型任务上展现出可观潜力。例如，基于量子神经网络（QNN）的分类任务已引起研究人员的浓厚兴趣，并在多种场景下得到评估。然而，由于量子计算资源受限或需要密集的经典后处理，当前大多数量子分类器仅限于二分类任务。本文提出一种高效量子多分类器 MORE，即基于测量与关联的可变分量子多分类器（measurement and correlation based variational quantum multi-classifier）。MORE 采用与二分类器相同的可变分 ansatz，同时通过充分利用单个读出量子比特的量子信息来实现多分类。为从读出量子比特提取完整信息，我们选取构成二维希尔伯特空间基的三个可观测量，随后使用量子态层析技术从测量结果中重构读出态。接着，我们探索类别间的关联，利用可变分量子聚类方法确定各类的量子标签。之后执行基于量子标签的监督学习，以识别输入数据与其对应量子标签之间的映射。最后，在使用分类器时，由其最接近的量子标签确定预测标签。我们使用 Qiskit Python 库实现该方法，并在无噪声与含噪声量子系统上通过大量实验进行评估。评估结果表明，尽管使用简单的 ansatz 和有限的量子资源，MORE 仍取得了先进的性能。