量子哈密顿嵌入

论文提出量子哈密顿嵌入（Quantum Hamiltonian Embeddings）框架，将经典训练数据集编码为一个参数化的有效哈密顿量，通过优化参数使近似基态定义分类规则。

论文建立了高效的梯度估计方法，并证明了有利的泛化保证。

作者在标准密码学假设下证明，哈密顿嵌入能够实现超出高效经典算法能力范围的假设函数。

哈密顿嵌入的推理阶段有两种选择：使用学习到的态的经典表示进行经典推理，或直接使用量子表示进行量子推理。

哈密顿嵌入绕开了参数化量子线路设计中一些固有的训练困难，同时提供了经典推理的退路。

该框架的实际优势仍需在更多数据集和硬件平台上验证。

论文将这一框架定位为量子机器学习的新方向，兼具理论保证与在量子硬件上进行规模化实验研究的可行性。

将机器学习的数据集映射为哈密顿量，意味着可以把分类问题转化为寻找基态的问题。