量子科技中心_量科网

循环量子模型（RQMs）通过将酉操作重复作用于与一系列输出寄存器耦合的记忆系统来实现序列量子过程。然而，这类模型通常依赖不必要的庞大记忆空间，导致冗余并限制可扩展性。本文提出一种变分量子降维框架，该框架能在保持目标模型循环动力学特性的同时，识别并移除无关的记忆自由度。该研究方法采用两个参数化量子电路：解耦酉算子V(θ₁)用于分离核心记忆子空间；压缩循环酉算子Ũ(θ₂)则在降维空间中重建动力学过程。优化过程由结合解耦保真度与动力学精度的统一损失函数引导，并通过“量子保真散度率”（QFDR）——一种量化单步长期保真度的指标——进行评估。在循环随机游走模型上的应用表明，相较于变分矩阵乘积态截断方法，该框架的QFDR可降低达三个数量级，且仅需轨迹样本而非显式态重构。这为学习最小循环量子架构建立了可扩展的数据驱动范式，为近期量子设备实现变分电路优化与量子过程压缩提供了可能。