
-
生物通官微
陪你抓住生命科技
跳动的脉搏
数字化反绝热量子特征提取
《Scientific Reports》:Digitized counterdiabatic quantum feature extraction
【字体: 大 中 小 】 时间:2026年08月29日 来源:Scientific Reports 4.9
编辑推荐:
摘要我们提出了一种基于哈密顿量的量子特征提取方法,该方法通过k-局域多体自旋哈密顿量的动力学过程生成复杂特征,从而提升机器学习性能。经典特征向量被嵌入自旋玻璃哈密顿量中,其中单变量贡献和高阶相关性均通过多体相互作用来表示。通过在配备156个量子比特的IBM量子处理器上施加合适
我们提出了一种基于哈密顿量的量子特征提取方法,该方法通过k-局域多体自旋哈密顿量的动力学过程生成复杂特征,从而提升机器学习性能。经典特征向量被嵌入自旋玻璃哈密顿量中,其中单变量贡献和高阶相关性均通过多体相互作用来表示。通过在配备156个量子比特的IBM量子处理器上施加合适的量子动力学演化,数据通过低阶和高阶可观测量期望值被映射到更高维度的特征空间。这使得我们能够捕捉到标准经典方法难以获取的统计依赖性。我们在高维度的真实数据集上评估了该方法,包括分子毒性分类和图像识别任务,并分析特征重要性,表明量子提取的特征能够补充且在许多情况下超越经典特征。结果表明,结合量子与经典特征提取可以在多种机器学习任务中带来一致的改进,表明对于当今及近期的量子设备而言,在数据驱动应用中已显示出可靠程度的早期量子实用性。