量子科技中心_量科网

量子机器学习常被量子系统指数级增长的状态空间所驱动，但这一前景留下了一个基本的泛化问题尚未解决：当训练数据未提供优先基矢、测量框架或其它定向结构时，学习器如何为未见的量子方向赋予不同含义？本研究通过公式化无外部量子参考系的监督学习来解决这一可辨识性问题，使得预测结果不能依赖于希尔伯特空间坐标的任意选择。该要求迫使训练得到的分类器保持训练数据未破缺的所有幺正对称性。研究证明，只要训练态未能张满整个希尔伯特空间，所有与其张成空间正交的纯态都必须得到相同的预测——即便这些态在提供了适当测量后可以相互正交且完美区分。因此，这种限制并非源于态分辨、优化或计算能力，而是因为缺失参考信息。此外，研究还建立了弱对称破缺下的稳健版本，并表明在多量子比特系统上学习通用非结构化概念需要指数级数量的独立定向训练方向。数值示例直观展示了由此导致的预测坍缩及其受控的松弛过程。该研究结果将特征映射、测量基矢、哈密顿量、局域性、对称性先验、网络架构以及充分多样的训练态识别为泛化的可操作资源。核心启示在于：希尔伯特空间维度本身并非可学习的特征空间；成功的QML必须指定赋予未见量子方向语义意义的物理结构。