量子科技中心_量科网

量子纠缠是表征粒子散射过程中量子关联的关键参量，但其直接计算在量子硬件上具有较高计算复杂度。该工作研究更容易获取的费米子密度分布能否通过多阈值分类任务框架替代纠缠测量。以Thirring模型中的费米子散射为测试平台，研究人员将参数规模相当的量子卷积神经网络（QCNN）与经典CNN进行对比，发现QCNN始终具有竞争力或更优的准确率，且收敛更快、方差更低。值得注意的是，在现有架构范围内增加模型尺寸并未提升性能，较大模型对编码方式选择表现出更高敏感性。相反，紧凑的4量子比特QCNN取得了最佳效果，表明可训练性和编码选择比模型缩放更重要。这些发现证明了量子和量子启发的机器学习模型从可观测量中提取深层量子信息的潜力，对高能物理和量子多体系统研究具有启示意义。