基于原型引导的线性复杂度量子数据嵌入优化方法

研究人员提出了一种原型引导的量子数据嵌入优化框架，将传统数据自适应方法所需的样本两两保真度评估复杂度从 $O(B^2)$ 降至线性的 $O(B)$。该方法结合了任务特定的量子线路架构优化与数据嵌入参数连续微调，在最高支持 20 个量子比特的 5 个基准数据集上保持了具有竞争力的量子核 SVM 分类性能，并在 T-MNIST 数据集上表现尤为突出。