量子科技中心_量科网

量子神经网络（QNNs）在科学机器学习领域日益受到关注，但在回归任务中常因梯度噪声和病态优化问题导致可训练性受限。该研究团队提出一种混合量子-经典回归框架以缓解这些瓶颈。该模型采用轻量级经典嵌入层作为可学习的几何预处理器，通过重塑输入表征来改善下游变分量子电路的优化条件。基于此架构，研究人员还引入课程优化协议：逐步增加电路深度，并从基于SPSA的随机探索过渡到基于Adam的梯度微调。在固定训练预算的模拟器环境下，该工作通过偏微分方程回归基准和标准回归数据集进行评估。实证结果表明，该框架相较纯QNN基线模型具有持续优势，在数据受限场景下展现更稳定的收敛性。团队还观察到多个科学基准测试中与振荡成分相关的结构化误差明显降低，表明几何预处理与课程训练相结合是稳定量子回归任务的实用方法。