量子极化度量学习：高效经典学习的量子嵌入
原文中文，约300字，阅读约需1分钟。发表于：。基于深度度量学习和量子计算的研究，提出了一种新的量子极化度量学习 (QPMeL) 方法，通过使用经典模型学习极坐标形式的量子比特参数，并结合浅层的参数化量子电路和可训练的量子门层进行训练，以实现更好的多类别分离效果。在与现有量子度量学习方法和经典网络相比较时，QPMeL 方法取得了较好的性能表现，为未来基于经典模型和量子损失函数的研究提供了有前景的方向。
基于深度度量学习和量子计算的研究，提出了一种新的量子极化度量学习方法（QPMeL）。该方法通过经典模型学习极坐标形式的量子比特参数，并结合浅层的参数化量子电路和可训练的量子门层进行训练，以实现更好的多类别分离效果。与现有方法和经典网络相比，QPMeL方法表现更好，为未来研究提供了有前景的方向。
