基于测量的量子编码：量子神经网络的数据加载范式
量子物理
2026-04-08 v1 人工智能
机器学习
摘要
高效的数据加载仍然是近期量子机器学习的瓶颈。现有方案（角度编码、振幅编码和基矢编码）要么未充分利用指数级希尔伯特空间容量，要么需要超出含噪声中等规模量子硬件相干预算的电路深度。我们提出基于测量的量子编码（SBQE），一种数据嵌入策略，将硬件的原生资源——测量次数——按照依赖于数据的经典分布分配到多个初始量子态上。通过将测量次数视为可学习的自由度，SBQE 产生一种混合态表示，其期望值关于经典概率是线性的，因此可以与非线性激活函数复合。我们证明 SBQE 在结构上等价于一个多层感知器，其权重由量子电路实现，并描述了一种硬件兼容的实现协议。在 Fashion MNIST 和 Semeion 手写数字上的基准测试，每个模型十次独立初始化，结果显示 SBQE 在 Semeion 上达到 89.1% +/- 0.9% 测试准确率（相对于振幅编码降低错误 5.3%，与等宽经典网络相当），在 Fashion MNIST 上达到 80.95% +/- 0.10%（超过振幅编码 +2.0%，超过线性多层感知器 +1.3%），且无需任何数据编码门。
引用
@article{arxiv.2604.06135,
title = {Shot-Based Quantum Encoding: A Data-Loading Paradigm for Quantum Neural Networks},
author = {Basil Kyriacou and Viktoria Patapovich and Maniraman Periyasamy and Alexey Melnikov},
journal= {arXiv preprint arXiv:2604.06135},
year = {2026}
}
备注
6 pages, 2 figures, 0 tables