量子科技中心_量科网

基于脉冲的量子机器学习（QML）因卓越的硬件效率，已成为量子人工智能领域的新范式。实际应用中，脉冲模型需兼具表达力与可训练性。已有研究表明，动态对称性下的脉冲模型得益于无贫瘠高原的优化地形，可实现高效训练。但若设计不当，由此产生的不可控性可能削弱模型表达能力。本文探究了脉冲QML模型在保持可训练性的同时实现高表达力的条件，通过数值模拟验证了与系统初始态、测量可观测量及底层动态对称李代数相关的必要条件。该研究为设计兼顾表达力与可训练性的实用脉冲QML模型建立了理论框架。