固定电路面积下量子神经网络编码族的频率谱与可训练性基准测试
量子物理
2026-03-31 v1
摘要
量子神经网络（QNNs）为将量子计算原理融入机器学习提供了一个有前景的框架，但其实际能力与局限仍研究不足。在本工作中，我们通过在不同合成和真实数据集上对多样化电路架构与编码策略进行基准测试，系统地研究了 QNNs 的可训练性与逼近性质。我们分析了多种 ansatz，包括 Hamming、binary、exponential、ternary、turnpike 和 Golomb，通过评估它们学习以随机有限傅里叶级数建模的合成数据的能力。为了评估实际适用性，我们进一步在两个时间序列分类任务上评估 QNNs：Fischertechnik 气动泄漏检测数据集和公开可用的 NASA 轴承故障数据集。实验结果表明，虽然更宽的频率谱理论上可以增强表达能力，但实际可训练性强烈受量子比特数和电路深度等架构因素的影响。值得注意的是，我们发现当频率谱针对目标函数的复杂度进行定制但保持尽可能紧凑时，QNNs 表现最佳。此外，具有相同频率谱的架构在可训练性上可能存在差异，使用更多量子比特和更少层的配置通常表现更好，但单层情况除外。这些发现为选择 QNN ansatz 提供了指导，并为量子机器学习中表达能力与可训练性之间的相互作用提供了新见解。
引用
@article{arxiv.2603.27671,
title = {Benchmarking Encoding Families in Quantum Neural Networks Under Fixed Circuit Area for Frequency Spectrum and Trainability},
author = {Martyna Czuba and Patrick Holzer and Hein Zay Yar Oo},
journal= {arXiv preprint arXiv:2603.27671},
year = {2026}
}