2026年4月9日——变分量子计算作为一种混合量子-经典计算方法，已成为量子设备最具前景的应用方向之一。但该技术正遭受“贫瘠高原”现象的困扰，这种现象会削弱其机器学习训练能力。正如洛斯阿拉莫斯国家实验室研究团队在《自然-通讯》发表的视角文章所述，并通过模拟量子神经网络验证，目前提出的缓解或完全规避贫瘠高原的架构与技术，反而使得这些模型可被经典计算机模拟。

“贫瘠高原本质上是'维度灾难'的体现，模型需要在庞大空间中进行搜索，犹如大海捞针，”该视角文章的第一作者、洛斯阿拉莫斯物理学家马可·切雷佐解释道，“将模型限制在小规模子空间确实能规避贫瘠高原和维度灾难。但这种解决方案可能意味着该模型同样能被经典计算机高效模拟。”

如果规避贫瘠高原的方法（例如限制模型于小子空间）与经典可模拟性确实存在这种关联，那么这种“解药”可能比问题本身更棘手。量子计算机在机器学习任务上超越经典超算的速度优势，或将仅限于那些不存在贫瘠高原的模型。

子空间与经典可模拟性

变分量子计算的混合方法试图通过经典优化量子电路参数来解决问题，从而将经典神经网络的优势扩展到量子领域。然而，量子态可能存在的超大空间（即“维度灾难”）会导致优化曲面极度平坦——形成算法失效的“贫瘠高原”。

该团队最新研究表明，贫瘠高原是否存在与算法是否在小规模子空间内运行存在明确关联。通过对所有已知模型和技术进行个案分析，研究人员发现了一个长期被忽视的共同规律：只要精确定位有效的小型子空间，仅需模拟量子计算机在该子空间内的行为即可。

这意味着量子计算机的运算过程可能被经典计算机模拟。该研究对所有已知无贫瘠高原模型进行分析后发现，经典计算机完全可以复现量子计算机的运算结果——这一惊人发现动摇了量子机器学习优势架构与技术的理论基础。洛斯阿拉莫斯团队近期通过特定架构进行实证演示，发表在《PRX量子》期刊的研究结果证实了端到端的可模拟性。

“数学规律似乎总在制约我们，”切雷佐坦言，“若要构建完全量子化的信息处理架构，就会面临贫瘠高原和维度灾难；若强制模型在子空间运行，则该子空间永远小到足以被经典模拟。似乎不存在中间路线。”

量子卷积神经网络的端到端可模拟性

为验证对可模拟性的理解，该团队分析了公认最具潜力的量子机器学习模型——量子卷积神经网络的主流变体。通过识别模型作用的正确子空间，研究人员构建并训练了纯经典的量子卷积神经网络替代模型。在所有基准数据集上，该替代模型均达到或超越标准量子卷积神经网络的性能，并成功在1024量子比特规模完成模拟。测试表明，现有量子网络的成功可能源于简单问题的基准测试，该团队的研究洞见指出：必须建立更复杂的数据集才能推动量子机器学习发展。

警示与转机

该研究并非否定量子计算机处理大空间的能力。事实上，成功的量子算法（如量子系统模拟器）通过高度结构化和精确导航大空间成功规避了维度灾难。

“与传统量子算法中每个逻辑操作都有特定目的不同，量子机器学习算法沿袭了经典神经网络的学习范式——通过数据训练寻找正确的逻辑操作序列，”实验室博士后研究员纳维尔·迪亚兹指出，“这种设计本质上是非结构化的，容易在大空间中迷失方向。”

研究人员展示了借鉴标准量子算法工作原理来突破贫瘠高原而不丧失量子优势的路径。团队提供的“可训练但不可模拟”模型范例，或将为构建新型量子学习算法带来启示。

最后，该团队强调经典模拟的初始化过程可能仍需量子计算机参与。对此作者提出新型混合范式：量子设备不直接用于模型训练，而是用于采集数据以构建高效经典算法。