量子科技中心_量科网

量子机器学习的一个关键瓶颈在于推理阶段重复量子电路评估的计算成本。为解决这一问题，该研究提出了一种框架，可在完全训练的量子机器学习模型输入数据空间的局部区域内，构建快速、低成本且可证明精确的经典张量链替代模型。该方法将泰勒多项式近似与张量链（TT）表示相结合，并通过经验风险最小化将其嵌入统计学习范式。 在分析中，泰勒-张量链构造作为确定性误差证明，证实了张量链假设类包含良好近似；随后经验风险最小化可证明地恢复出具有可控泛化误差和显式边界的替代模型。这转化为三个独立可控的误差源：（i）由局部半径r和多项式阶数p控制的泰勒截断误差；（ii）由键维数χ控制的张量链近似误差；（iii）统计估计误差。 虽然参数量随数据维度N呈多项式增长（即有效维度d_eff=N(p+1)χ²，而非原始(p+1)^N），但最坏情况常数会通过泰勒多项式嵌入张量链过程中的张量积特征范数继承指数因子。这清晰地分离了表示复杂度与特征诱导常数。该研究的风险边界和样本复杂度明确依赖于局部区域半径r。