量子科技中心_量科网

在该研究中，该团队分析了参数化酉算子的Rademacher复杂度 \( \mathcal{R}_{M} \)，其生成元选自 \( n \) 量子比特的Pauli串。尽管量子机器学习模型的泛化界限已在多种设定下得到研究，但由Pauli串生成的参数化酉算子的显式Rademacher复杂度界限仍不够明确。该团队根据参数数量 \( L \) 和训练样本数量 \( M \) 推导出了简单的缩放界限：在全参数域下为 \( \mathcal{O}(\frac{L^{\frac{3}{2}}}{\sqrt{M}}) \)，在受限参数域下为 \( \mathcal{O}(\frac{L}{\sqrt{M}}) \)。此外，该研究将所得结果与经典线性模型类的结果进行了比较，并指出当经典模型中输入和参数的范数均随参数数量缩放时，可能存在统计复杂度上的优势。数值实验提供了与预测缩放一致的定性证据。