教程论文分析数据重上传对振幅嵌入的增益与代价

Hyojun Ahn 与 Joongheon Kim 在 arXiv 发布教程论文，统一表述串行与并行数据重上传，并量化其对振幅嵌入量子模型的增益：每次额外上传使可达多项式阶数提高两阶。 基于论文摘要，在一种可训练电路族和固定可训练参数预算下，模拟显示四阶目标的测试 R² 由 0.689 提升至 0.883–0.975，六阶目标由 0.337 提升至 0.642–0.783，十个随机种子均如此。但振幅嵌入每次重复上传都重复高代价的态制备，需在消耗门资源前权衡收益；在二次目标和手写数字任务上，一次上传仍是最佳选择，且每增加一次上传都会降低分类器可容忍的门误差。

AI 根据报道生成 · 57 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。