量子科技中心_量科网

量子神经网络（QNNs）存在严重的门级冗余问题，这阻碍了其在噪声中等规模量子（NISQ）设备上的部署。该工作提出q-iPrune——一种基于q变形群代数结构和任务条件量子几何的单次结构化剪枝框架。与先前启发式或基于梯度的剪枝方法不同，q-iPrune直接在门级形式化冗余问题：通过任务相关的q-重叠距离（该距离利用任务相关集合上的状态重叠来度量功能相似性），每个量子门在代数一致的子群内进行比较；仅当用子群代表替换某个门可证明会引起所有任务观测量的有界偏差时，该门才会被移除。研究人员建立了三项严格的理论保证：首先证明冗余剪枝的完备性——不会移除任何违反预设相似阈值的门；其次表明剪枝后的电路在显式的任务条件误差界内保持功能等效，其闭式解依赖于冗余容忍度和被替换门的数量；最后证明该剪枝过程具有计算可行性，仅需多项式时间比较且避免对希尔伯特空间的指数级枚举。为适应硬件缺陷，该团队引入噪声校准的变形参数λ来调节q几何和冗余容忍度。在标准量子机器学习基准测试中，q-iPrune在保持任务性能有界下降的同时实现了显著的门电路精简，与理论预测完全一致。