克服量子神经网络中振幅编码的表征局限

研究者提出一种用于量子神经网络（QNN）的固定非线性特征映射，消除了传统振幅编码因归一化导致的缩放不变性表征缺陷，且无需增加可训练参数并保留了 $\mathcal{O}(\log_2 d)$ 量子比特扩展优势。在三个经典分类基准及非线性合成数据集的测试中，该方法相比传统振幅编码和角度编码将分类准确率提升了 21% 至 44%。