量子科技中心_量科网

“彩票假说”（LOTTERY TICKET HYPOTHESIS, LTH）提出，在过参数化的神经网络中，存在稀疏子网络，这些子网络若从原始初始化状态单独训练，其性能可媲美原模型。该研究团队将该假说推广至量子多体哈密顿量基态逼近这一无监督任务——该问题等同于寻找指数级大矩阵最低本征矢的神经网络压缩表达。聚焦横场伊辛模型（TFIM）与环面码模型（TC）这两个典型量子哈密顿量，该工作证明：即使在参数数量被剪枝超过一个数量级的情况下，稀疏神经网络仍能达到与密集网络相当的精度。与原始LTH不同，研究人员发现当单独训练时，性能仅取决于稀疏子网络的结构，而非特定初始化方式。此外，该团队还发现了跨越网络规模和物理模型的普适标度行为，其标度区域边界由底层哈密顿量决定。在高误差标度起始点，研究人员观察到浅层网络中一阶稀疏诱导量子相变的特征。最终，该工作通过将稀疏子网络结构与哈密顿量底层物理关联，证明剪枝技术能显著提升模型可解释性。