量子科技中心_量科网

经典机器学习的一个关键挑战是通过选择稀疏解来缓解过参数化问题。该团队将这一概念引入量子领域，提出“量子稀疏性”原则——其核心在于最小化多方之间的量子信息共享。该原则为解决量子数据处理中的基础问题提供了新思路，同时能有效应对变分量子算法（VQA）中的收敛难题，如贫瘠高原问题。研究团队提出采用拓扑纠缠熵（TEE）作为代价函数正则项的实施方案：非负TEE对应着合适基下具有稀疏结构的量子态，而负TEE则标志着不可训练的混沌状态。该正则项通过引导优化过程沿着区分这两种状态的混沌临界边缘行进，将TEE与结构复杂度相关联。通过分析编码可调平滑度函数的量子态，该团队推导出量子奈奎斯特-香农采样定理，该定理界定了VQA中的资源需求与误差传播边界。数值实验表明，在复杂数据编码和基态搜索任务中，TEE正则项使收敛速度与计算精度获得显著提升。此项研究确立了量子稀疏性作为设计鲁棒高效VQA的重要原则。