量子科技中心_量科网

在研究变分量子电路（VQC）的可训练性时，传统分析通常停留在逻辑设计层面。然而在实际量子设备上运行时，需要采用硬件感知编译（transpilation）来满足量子比特连接性和原生门集的约束。本文揭示了编译过程如何改变梯度统计特性：通过参数偏移微分和梯度方差估计方法，该团队在EfficientSU2（密集纠缠）、TTN（树状张量网络）和RealAmplitudes（线性纠缠）这三种典型拟设架构中，对比了逻辑电路与编译后电路的差异。研究发现不同架构呈现差异化可训练性转变——浅层密集纠缠电路梯度重塑效应显著，结构化张量网络电路保持相对稳健性，而线性架构则表现出混合行为。值得注意的是，所有架构的深层电路对硬件感知编译均展现出极低敏感性。这些发现证明编译过程实质上是优化空间的隐式结构转换，为开展编译感知分析和VQC协同设计提供了理论依据。