量子科技中心_量科网

近年来，变分量子算法领域（尤其是量子机器学习方向）在理论与实证层面取得了诸多突破性进展。由于变分量子电路（VQC）可通过傅里叶级数表征，其频谱规模随输入特征数量呈指数级增长，这为量子优势的显现保留了可能性。然而，量子傅里叶模型（QFM）的特性尚未被完全认知，尤其是其潜在超越经典替代方案的机制。通过傅里叶视角审视VQC，有助于分析变分算法（如量子机器学习）可处理的函数类别，同时揭示并量化现存的技术限制与挑战。 鉴于噪声与硬件缺陷仍是当前从嘈杂中型量子计算机向容错量子计算机演进过程中的核心制约因素，该研究旨在阐明噪声环境下QFM的关键特性。研究团队通过对量子系统开展大规模数值模拟，系统分析了噪声对QFM傅里叶频谱、可表达性及纠缠能力的影响规律，这些发现或将优化硬件资源利用效率，并为定制化纠错方案的构建提供理论依据。数据分析表明，退相干噪声对所有测试的变分拟设均产生均匀负面效应，具体表现为傅里叶系数衰减、可表达性下降及纠缠能力消减。但值得注意的是，某些变分拟设表现出更强的噪声耐受性，这种差异性暗示着特定结构可能具备更优的抗噪特性。