量子科技中心_量科网

标准变分量子电路（VQC）由于“维度灾难”难以扩展至高维数据，其表现为指数级模拟成本（𝒪(2^d)）和无法训练的贫瘠高原现象。现有方案通常依赖经典神经网络进行特征压缩来绕过这一限制，但这掩盖了真实的量子能力。该研究团队提出了一种模块化架构——多层全连接VQC（FC-VQC），无需可训练的经典编码器即可实现端到端量子学习。通过限制局部希尔伯特空间维度，同时通过结构化块混合实现全局特征交互，该框架实现了线性可扩展性（𝒪(d)）。研究人员在标准基准测试和一项高维工业任务（300种资产期权组合定价）中实证验证了该方法。在此场景下，FC-VQC突破了“经典天花板”，其性能优于最先进的梯度提升基准模型（XGBoost/CatBoost），同时参数效率比深度神经网络高出约17倍。这些结果为纯模块化量子架构能有效学习整体式拟设无法处理的工业级特征空间提供了具体证据。