Investigadores han desarrollado los Modelos Espectrales Cuánticos (QSMs), un nuevo enfoque en el aprendizaje automático cuántico que alinea el sesgo inductivo del modelo con la estructura de los datos de entrada, especialmente matrices. A diferencia de los métodos comunes que usan codificaciones de datos rotacionales a nivel de coordenadas, los QSMs construyen el generador de la unitaria de codificación directamente a partir de cada matriz de entrada. Esto permite que el modelo aproveche explícitamente las relaciones a nivel de matriz, caracterizadas por valores y subespacios espectrales, lo que representa una mejora significativa en cómo los modelos cuánticos interpretan y procesan datos complejos.

El estudio exploró tres variantes de QSMs, basadas en hamiltonianos de bloque simétrico, de bloque global y de parche local no superpuesto. Los resultados de estos modelos admiten representaciones de Fourier truncadas, donde las brechas espectrales dependientes de la entrada actúan como portadores de fase y los subespacios espectrales ayudan a determinar sus coeficientes. Esta arquitectura permite una integración más profunda de la información espectral de los datos en el proceso de aprendizaje cuántico. Los QSMs fueron evaluados en tareas de reconocimiento de dígitos (Pendigits) y en tareas sintéticas controladas por estadísticas espectrales.

En las pruebas, las variantes de QSMs superaron a otros modelos cuánticos de comparación en la precisión media de las pruebas en los cuatro puntos de referencia evaluados, especialmente a la mayor profundidad de circuito. El QSM de parche local mostró un rendimiento superior en Pendigits, mientras que el QSM con hamiltoniano de bloque global destacó en las tareas espectrales controladas. Los análisis de ablación revelaron una dependencia de la tarea: los controles que preservan el subespacio funcionaron mejor en Pendigits, mientras que los controles basados únicamente en valores espectrales fueron superiores en las tareas sintéticas. Estos hallazgos sugieren que las representaciones espectrales condicionadas por la entrada pueden proporcionar un sesgo inductivo analizable, ofreciendo una perspectiva más amplia para el diseño de modelos de aprendizaje automático y de inteligencia artificial conscientes de la estructura de los datos.