量子科技中心_量科网

参数化量子电路是近期量子机器学习研究的核心框架。然而，如何预先确定编码策略、门电路排布和纠缠结构等架构选择对模型表达能力及优化过程中可训练性的影响，仍是亟待解决的难题。该研究团队提出了一种与数据无关的分析框架——无需了解训练数据集或优化轨迹，便可将广泛类型的量子电路映射到由可学习特征和参数构建的统一架构矩阵上。研究表明，通过将这些对象分解为架构矩阵的二次形式，该框架能明确揭示电路结构、可学习特征间相关性以及训练核几何性质之间的内在关联。该工作阐明了可学习特征间的相关性源于海森堡反向传播过程中非对易门-可观测量相互作用产生的共享参数诱导谐波，并证明这些相关性直接编码于架构矩阵中。基于此视角，仅通过电路设计即可解析重构核结构与系数统计特性，无需依赖数据集或优化轨迹。该框架使电路诱导的结构特征显性化，将架构效应与数据依赖效应分离，为基于内在设计特征分析和比较参数化量子电路提供了理论依据。