量子科技中心_量科网

量子机器学习（QML）致力于利用量子力学原理加速机器学习问题的求解过程或提升解决方案的质量。其中，与辅助系统的纠缠态已被证明能提升监督学习等场景中QML模型的质量。近期研究聚焦于从纠缠训练样本中提取的信息及其对模型近似误差的影响。然而，关于QML模型可训练性的研究显示，训练过程本身受监督学习任务的多种特性影响，包括QML模型的电路结构、所用成本函数以及量子计算机的噪声干扰。 为评估纠缠态在监督学习中的适用性，该团队通过研究高度纠缠训练数据对模型可训练性的影响拓展了上述发现。这项工作表明，对于高表达能力模型（即能表达大量候选解的模型），当采用最大纠缠态进行训练时，优化过程中约束邻域内损失函数值的潜在改进空间会严重受限。研究人员通过参数化量子电路（PQCs）的模拟训练实验验证了这一结论：随着PQC表达能力的增强，其对纠缠训练数据引发的损失集中现象愈发敏感。最后，实验评估了非最大纠缠态训练样本的有效性，并揭示了纠缠熵作为可训练性预测指标的核心作用。