量子科技中心_量科网

在变分量子算法领域，量子傅里叶模型（QFM）为量子机器学习（QML）提供了数学结构清晰的理论框架。已有大量研究探讨此类模型的可扩展性与可训练性，既展示了量子傅里叶模型的应用潜力，也揭示了其局限性。然而，在脉冲级量子计算领域仍存在显著认知空白——该领域通过直接调控硬件上实现酉操作的微波参数进行计算，而非经由量子电路接口。本研究从脉冲参数视角评估量子傅里叶模型，将表达能力、傅里叶系数相关性（FCC）等指标与该扩展变分参数集建立关联。结果表明：虽然脉冲形状控制对Ansatz的全局表达能力或结构相关性影响有限，但会根本性改变局部优化景观。对于复合门，独立脉冲缩放将单一逻辑角度转化为多个可独立调节的子角度，由此解除了门级参数化带来的刚性单项耦合，为梯度下降提供高维逃逸路径，解耦局部参数约束并显著提升训练性能。在给出解析证明后，我们通过数值实验验证了理论：采用指数（三进制）特征映射的量子傅里叶模型，在训练包含相同频率的傅里叶级数时，其性能提升与理论预测一致。