量子科技中心_量科网

基于机器学习的量子态层析方法可以实现高保真度的重构，但训练所得模型所使用的物理结构往往隐式存在。该工作探究稀疏化的Kolmogorov-Arnold网络（KAN）是否不仅能作为回归器，还能作为一种可检查的重构规则，其内部组织可与已知的泡利结构进行对照。该研究在一个受控的三量子比特GHZ族基准测试中展开，其中所有63个非单位泡利期望值被用于重构三个GHZ子空间变量：布居数不平衡\(z\)、实部非对角分量\(c\)和虚部非对角分量\(s\)。在有限次采样和退极化噪声条件下，外部消融从63个测量值中识别出扩展的12通道GHZ相关泡利集合，并在所有测试的采样次数和退极化噪声强度下实现了精确的top-12恢复。这些支持模式在多种子随机初始化和噪声水平分析中保持稳定，并在随机标签控制下失效。主要的剪枝输入-隐藏-输出通路将Z型布居数可观测量和X/Y型非对角可观测量组织成与分析型GHZ泡利分组一致的模式，且稀疏公式恢复还原了规范的带符号泡利关系。因此，该KAN的贡献在于神经重构模型内的通路级结构可解释性，而非更优的稀疏回归。结合阴性对照，这些探测手段为将学习到的重构规则与已知物理结构进行对照审计提供了一条一致性链条。