我国提出显著提升量子机器学习性能的算法AdaBoost.Q

文章导读

你是否知道，量子计算机的机器学习性能竟能通过“注意力机制”大幅提升？我国科研团队近日提出全新量子算法AdaBoost.Q，巧妙优化量子分类器权重更新，显著提升预测准确率。基于量子测量的概率特性，该算法兼容现有含噪声设备与未来容错系统，在多种量子模型中均实现性能飞跃。这项发表于《npj量子信息》的研究，为量子机器学习走向实用化打开关键突破口。

— 内容由好学术AI分析文章内容生成，仅供参考。

5月21日，浙江大学、电子科技大学和中国工程物理研究院的研究团队提出了经典自适应提升算法（AdaBoost）的量子化版本——AdaBoost.Q，通过优化量子分类器的权重更新机制，提高其学习能力，从而显著提升量子计算机的机器学习性能。该研究为量子机器学习的实用化提供了新思路。相关研究成果5月21日发表在《npj 量子信息》(《npj Quantum Information》)期刊上。

量子机器学习是量子计算最令人期待的应用方向之一。然而，由于量子信息对环境噪声的敏感性及容错方面的高成本，使得量子模型学习复杂数据集的能力有待提升。为此，研究团队借鉴了经典计算机的自适应学习思路，基于经典自适应提升算法AdaBoost并针对量子计算机的特性进行了优化，提出了量子化版本AdaBoost.Q。该算法基于量子测量的概率特性，通过优化自适应训练过程中的注意力机制和量子分类器的组合方式，显著提升了预测准确率。研究人员在可编程超导处理器上实验验证了该方案的普适性，发现在量子神经网络、量子卷积神经网络等多种量子机器学习模型中均观察到显著性能提升。AdaBoost.Q能降低对单个量子分类器的精度要求，该研究方案兼容当前含噪声量子设备与未来容错量子设备，这为量子机器学习实用化提供新思路。