Framework di Apprendimento Incrementale Quantistico con Prototipi a Stato Misto

Uno studio recente pubblicato su arXiv (2608.10464) presenta un framework per l'apprendimento incrementale quantistico che affronta il problema dell'acquisizione sequenziale di nuove classi prevenendo il catastrofico oblio, il tutto entro i limiti di memoria e parametri. Progettato per l'era dei computer quantistici a scala intermedia e rumorosa (NISQ), il framework impiega prototipi a stato misto addestrabili, consentendo l'aggiunta di più categorie senza ampliare il circuito quantistico di base condiviso. Un avanzamento significativo è l'introduzione di prototipi a stato misto, che migliorano la rappresentazione rispetto ai tradizionali prototipi a stato puro. L'articolo critica i limiti dei classificatori quantistici esistenti, che sono vincolati dal numero di stati di base ortogonali, e suggerisce di incorporare prototipi di classe come rimedio. Questa ricerca ha implicazioni per l'apprendimento automatico quantistico e l'apprendimento incrementale, in particolare in ambienti con risorse quantistiche limitate. L'abstract dell'articolo è accessibile tramite l'URL fornito.