LCQNN：量子神经网络的线性组合
量子神经网络将量子计算与先进的数据驱动方法相结合，在量子机器学习领域展现出广阔应用前景。然而，关于量子神经网络在可训练性与表达能力方面的最优范式仍存在悬而未决的问题。为解决这一难题，该研究团队首先提出了“量子神经网络线性组合（LCQNN）”框架，该框架利用酉矩阵线性组合原理协调量子神经网络的架构组合，从而平衡可训练性与表达能力。其次，LCQNN提供了一种可调谐设计方案，能在不导致经典可模拟性过高的前提下缓解梯度消失问题。具体而言，研究人员阐述了如何通过限制特定子空间或采用k-local控制酉操作来防止梯度坍缩，同时为复杂任务保留足够的参数空间。这些发现也与先前关于拓展多量子比特系统QNN能力的讨论相呼应。此外，该工作还将LCQNN扩展到群作用场景——通过利用对称性特征，排除指数级庞大不可约子空间的LCQNN模型可以有效规避训练高原现象。总体而言，LCQNN开创性地构建了一个新型框架，能将量子资源集中配置于保持实际可训练性的架构中，同时具备解决具有挑战性机器学习任务所需的强大表达能力。
