量子科技中心_量科网

目前提出的量子神经网络（QNNs）是近期有望实现的量子机器学习架构，其利用参数化量子电路试图超越经典模型的性能。在该工作中，该研究团队证明，这些模型声称的某些理想特性无需依赖量子硬件即可高效复现。研究人员系统地分析了QNN应用中常用参数化量子电路的表达能力，并将其与两类可经典高效模拟的量子态进行对比：矩阵乘积态（MPS）及通过对MPS施加克利福德门操作获得的克利福德增强型MPS（CMPS）。除表达能力外，该团队还量化了此类随机量子态集合中核心量子资源（纠缠度与非稳定态特性，即“魔性”）的水平，追踪其向哈尔分布的收敛过程。研究发现：虽然MPS需要大量参数才能复现任意量子态，但CMPS在纠缠度和魔性维度上能更快逼近哈尔分布。这些结果表明，QNN的高表达能力完全可通过纯经典资源实现。