量子科技中心_量科网

随着量子机器学习逐步迈向实际应用，该领域面临一个关键架构瓶颈，这一瓶颈挑战了经典统计学习理论的基本假设。在经典深度学习中，增加模型容量通常会带来过拟合风险。然而，该研究提出了一种反直觉的范式：非结构化的当代量子机器学习架构由于“表达性-可训练性悖论”而深陷量子欠拟合状态。该团队证明，参数化量子电路（PQC）的巨大希尔伯特空间容量——传统上被视作量子优势的来源——正是导致梯度景观变得指数级平坦的“贫瘠高原”（BP）的直接数学原因。通过综合动力学李代数（DLA）和几何量子机器学习的最新突破，该工作建立了一个综合性框架，将电路生成器的代数维度与其优化动态联系起来。此外，该团队在一个非线性二分类任务上对这一框架进行了实证验证，揭示了一种独特的量子偏差-方差权衡表现：非结构化架构通过不可扩展的参数化实现近乎完美的训练准确率（量子过拟合），而嵌入群论几何先验则充当了一种结构正则化器。通过将DLA增长限制在多项式范围内，该研究的对称性保持方法牺牲了原始的记忆容量，以保障可扩展且梯度丰富的训练景观，为可扩展量子神经网络中的“设计即训练”提供了一条稳健的路线图。