量子科技中心_量科网

利用数据对称性已成为推动几何深度学习和几何等变量子机器学习性能提升的关键因素。尽管对称化看似是一种前景良好的方法，但其在量子机器学习中的实际开销——如额外门电路、表达力降低等因素——尚未得到充分认知。该研究团队开发了一套自动化流程，用于测量量子机器学习拟设（ansatzes）相对于学习任务中可能出现的对称性的多种特征。研究人员将学习问题中的对称度定义为该问题所允许的子群规模，这些子群定义了部分对称性——此前研究主要关注完整群定义的对称性，而对这类部分对称性探索甚少。 通过对19种常见拟设进行不同规模子群表示下的对称化处理，该工作计算了三类指标以描述常见拟设结构在变化对称量下的表现：第一类指标基于原始生成元与对称化生成元之差的范数；第二类指标统计对称化电路的门深、规模等特征；第三类指标包括表达力与纠缠能力。结果显示，所研究的拟设存在不同程度的门电路开销，并证实增强对称性会降低电路表达力。在多数情况下，增强对称性可提升纠缠能力。这些结论有助于为几何量子机器学习应用选择兼具充分表达力与计算效率的拟设模式。