可训练量子特征映射的损失函数基准测试

许多量子机器学习模型采用量子特征映射将经典数据编码为量子态。虽然固定的特征映射通常缺乏足够的表达能力来处理复杂的非线性分类任务，但可训练的量子特征映射（TQFM）能够实现具有增强学习能力的自适应量子核。不同的损失函数可以引发不同的优化动态，但其影响仍然知之甚少。在这项工作中，我们将对数似然损失函数应用于 TQFM，并与距离损失和测量损失进行了系统比较。通过大量的数值实验，我们比较了它们的优化动态、计算成本和分类性能。我们的结果表明，对数似然损失在保持线性计算复杂度的同时，始终比测量损失实现更稳定的优化。由此产生的基准测试为在量子核优化中平衡可训练性、计算效率和预测性能提供了实用指导。