量子科技中心_量科网

量子神经网络（QNNs）通过利用量子叠加态和纠缠态构建了具有表现力的概率模型，但由于损失函数的高度振荡性及近期量子设备的固有噪声，其实际训练仍面临挑战。现有训练方法主要依赖基于梯度的过程式优化，常存在收敛速度慢、超参数敏感和尖锐极小值附近不稳定的问题。该工作提出了一种基于逆概率代数学习的QNN训练框架，摒弃了通过增量梯度下降更新参数的传统方式，将学习视为概率空间中的局部逆问题，利用雅可比矩阵的伪逆将预测与目标玻恩规则概率间的差异直接映射为参数修正。这种代数更新具有协变性，无需学习率调参，并能单步快速逼近损失极小值邻域。通过师生QNN基准测试，该研究团队系统比较了该方法与梯度下降和Adam优化在回归和分类任务中的表现。结果表明代数学习的收敛速度显著更快，能逃离损失平台，并达到更低最终误差。在有限采样条件下，该方法展现出接近最优的误差缩放特性，同时对退相干等固有硬件噪声保持稳健。这些发现表明，逆概率代数学习为QNN训练提供了理论严谨且实用的替代方案，尤其适用于资源受限的近期量子设备。