量子科技中心_量科网

该研究团队提出CL-QAS——一种持续量子架构搜索框架，可缓解变分量子电路中高成本振幅编码和灾难性遗忘的挑战。该方法采用张量链编码技术，将高维随机信号高效压缩为低秩量子特征表示。通过双循环学习策略将电路参数优化与架构探索解耦，并利用弹性权重巩固正则化确保跨任务稳定性。理论分析推导了量子噪声环境下近似误差、泛化能力和鲁棒性的上界，证明CL-QAS具有可控表达能力、样本高效泛化特性及无 barren plateaus 的光滑收敛性。在心电图信号分类和金融时间序列预测的实证评估中，该方法在准确率、平衡准确率、F1分数和奖励指标上均取得显著提升。CL-QAS保持优异的正向/反向迁移能力，在退极化噪声和读出噪声下仅呈现有限性能衰减，展现了其在近量子设备上实现自适应、抗噪声学习的潜力。