量子科技中心_量科网

量子线路切割技术将大规模量子线路分解为多个较小的子线路，随后通过经典计算重构这些子线路的输出以恢复原始期望值。尽管已有研究主要从子线路数量与采样复杂度角度量化切割开销，但其对迭代式、估计器驱动训练流程的端到端系统影响仍缺乏充分评估。本研究提出一种切割感知的估计器执行流程，将量子线路切割视作分阶段分布式任务，并将每个估计器查询分解为分区、子实验生成、并行执行和经典重构四个阶段。基于两个二分类任务（Iris和MNIST）的运行日志与学习结果，该团队量化了切割开销、扩展极限及对人为延迟的敏感性，并评估了在相同训练预算下模型精度与鲁棒性的保持情况。实验表明：切割引入的端到端开销随切割次数显著增长，重构阶段占据单次查询耗时的主要部分，制约了并行化带来的加速上限；尽管存在系统成本，在测试范围内模型精度与鲁棒性得以保持，部分切割配置甚至呈现性能提升。这些发现表明，量子线路切割技术在实际学习任务中的可扩展性取决于重构阶段的优化与重叠，以及针对同步瓶颈关键路径的调度策略设计。