.png){kind=icon}
.png){kind=icon}
返回
Resource-efficient quantum contrastive learning
.png){kind=icon}
OA
AI
DOI：10.1140/epjqt/s40507-026-00565-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高效量子态相似性估计仍是量子机器学习中的关键瓶颈。尽管量子保真度提供了一种自然的相似性度量，但其评估通常依赖于成对交换测试电路，导致计算复杂度随批次大小呈二次方增长。我们提出了资源高效的量子对比学习（ReQCL），这是一种原生量子框架，利用相干叠加来估计全局相似性。通过制备批次级叠加态并从单次测量中提取批次平均保真度，ReQCL避免了显式的成对评估，将复杂度从二次方降低到线性级别（随批次大小）。我们进一步引入了保真度比目标函数，通过将个体对齐与全局相似性基线进行对比，实现了量子表示的有效优化。数值模拟表明，所提出的方法能够在量子态空间中学习到有意义的嵌入表示。结果表明，通过量子叠加实现全局保真度估计为量子表示学习提供了一条可扩展的途径。
Keyword:
Quantum contrastive learning
Quantum fidelity estimation
Coherent superposition
Quantum representation learning
Variational quantum circuits