量子科技中心_量科网

混合量子神经网络（HQNN）将参数化量子电路（PQC）集成到经典网络中，其中底层PQC的行为通常是分析的主要焦点。在此背景下，表达能力与可训练性被广泛用于表征PQC的性能，且通常被认为存在一种权衡关系：表达能力强的电路更容易出现贫瘠高原现象。然而，这种关系在HQNN中的有效性尚不明确。本文系统分析了在不同电路深度、量子比特数量和纠缠拓扑结构下，HQNN中表达能力与可训练性之间的关系。该团队考虑了多种训练配置，包括纯PQC、混合设置中的纯量子训练，以及混合模型的完整端到端训练。结果表明，纯PQC仅表现出一种微弱的、依赖于特定区域的权衡关系，而混合架构在完整混合训练下会逐渐削弱并最终消除这种关系。这表明经典组件重塑了优化景观，使可训练性与PQC表达能力解耦。研究人员进一步提出了一种多目标神经架构搜索（NAS）框架，该框架在经典-量子联合设计空间内共同优化表达能力、可训练性和任务性能，揭示了在完整端到端训练和混合设置中的纯量子训练下，不同的帕累托最优解，以及不同的可训练性定义。该工作的结果表明，混合化不仅是一个实现细节，更是决定量子机器学习模型性能的关键因素。