量子科技中心_量科网

寻找可规模化扩展的电路架构仍是变分量子计算与量子机器学习中的核心挑战。尽管已有诸多方法被提出以缓解或规避贫瘠高原现象（或更广义的指数浓度问题），但由于量子测量与经典后处理之间复杂的相互作用，该研究团队认为这些技术在实践中往往难以真正规避浓度效应。本研究通过从测量结果概率层面分析浓度现象，并借助假设检验工具，开发了一个诊断参数化量子模型是否受限于指数浓度效应的实用框架。应用该框架分析表明，包括量子自然梯度、基于采样的优化及某些受神经网络启发的初始化方法在内的多种常用技术，在有限测量资源下均无法克服指数浓度问题——尽管它们仍可能通过其他方式助力模型训练。