研究提出玻色采样与神经网络混合架构，用可编程电路生成量子核提升分类

Mohammad Sharifian 与 Abolfazl Bayat 提出一种混合框架，将玻色采样的计算能力与神经网络的适应性结合，构建量子核以增强支持向量机分类。神经网络把数据特征映射到可编程玻色采样电路上，产生覆盖高维希尔伯特空间的量子态。在四个不同类别的数据集上，该模型表现优于经典线性核与 sigmoid 核，论文发表于 npj Quantum Information 12 (2026)。