量子科技中心_量科网

参数化量子电路（PQC）是量子机器学习和近期量子模拟的核心工具，但其可扩展性常受困于“贫瘠高原”现象——即系统梯度随规模增大呈指数级衰减。先前研究提出的解释（如电路表达能力、纠缠性、局部性和噪声等）往往混淆了两个本质不同的问题：测量可观测量集中化与电路动力学导致的参数敏感性丧失。该研究团队建立了一个统一统计框架来区分这两种机制。 研究表明，包括局部性和纠缠效应在内的多种标准贫瘠高原解释，均可通过团队提出的“可观测量集中化”（OC）现象统一理解。重要的是，团队证明避免OC现象仅是电路可训练性的必要条件而非充分条件。除OC之外，研究还识别出两种导致梯度抑制的中间电路机制：其一为“中间电路信息丢失”，即参数扰动传播至最终测量无法触及的自由度时，系统几乎不产生响应；其二为“中间电路信息 scrambling”，即局部扰动迅速扩散至整个系统，在测量子系统上变得不可检测。 该工作通过显式电路构造和数值模拟验证了理论，包括在量子卷积神经网络架构中观察到：即使不存在可观测量集中化，信息丢失仍会诱发贫瘠高原现象。