量子科技中心_量科网

变分量子学习模型的成功关键在于选择能够反映问题结构的参数化方案。对称性提供了最清晰的结构之一：当输入的变换不改变期望结果时，这种不变性应内置于模型中，而非通过训练发现。然而，施加对称性本身并不能确定一个有效的拟设。即使在对称性保持的空间内，仍需决定可训练自由度应置于何处。本研究探讨了等变变分量子电路中这一剩余的设计自由度。基于对称性参数共享，该团队区分了两种架构选择：应强制执行多少对称性，以及哪些对称性保持的交互应具有可训练性。以井字棋作为完全可枚举且结构透明的测试案例，研究发现，合适的子群能保留大部分泛化优势。相比之下，主要增益来自于直接作用于关键任务模式的量子门。因此，对称性定义了可接受的设计空间，而有效的拟设需要额外根据任务信息选择可训练交互。