量子科技中心_量科网

受量子机器学习（尤其是量子神经网络QNNs）日益增长的研究兴趣驱动，该研究团队探究了基于费舍尔信息矩阵（FIM）的最新评估指标如何有效预测其训练与预测性能。通过利用广谱QNNs与傅里叶模型之间的等价性，研究人员分析了模型有效维度与任务偏置之间的相互作用机制，揭示这些因素如何影响模型的训练与性能表现。研究表明：对于完全无先验知识（或对目标函数无偏置）的模型，更高的有效维度通常能带来更好的可训练性和性能；而对于具有任务偏置的模型，较低的有效维度反而可能提升训练效果。为验证这一结论，该工作推导出傅里叶模型FIM的解析表达式，并识别出控制模型有效维度的关键特征参数，从而构建出具有可调有效维度与偏置的模型进行对比训练。此外，团队还引入了傅里叶模型的张量网络表示方法——这一创新工具或将为QNN模型分析提供独立研究价值。这些发现为几何特性、模型-任务匹配度与训练动态之间的关联机制提供了明确案例，对整个机器学习领域具有普适意义。