量子科技中心_量科网

量子神经网络（QNNs）与参数化量子电路（PQCs）是近期量子机器学习的关键构建模块。然而，其可扩展性受到参数冗余、训练停滞（barren plateaus）及硬件限制的制约。该团队提出LiePrune——首个基于数学理论的单次结构化剪枝框架，通过结合李群结构与量子几何信息实现QNN压缩。该方法将每个量子门在李群-李代数对偶空间与量子几何特征空间进行联合表征，从而支持理论驱动的冗余检测与高效压缩。在量子分类（MNIST、FashionMNIST）、量子生成建模（条纹图案生成）及量子化学（LiH变分量子本征求解器）任务中，LiePrune实现了超过10倍的压缩率，且任务性能损失可忽略甚至有所提升，同时为冗余检测、函数逼近和计算复杂度提供了可证明的理论保证。