基于特征相似性的量子生成模型电路设计

量子生成模型凭借其固有的概率特性和高效抽样策略，可能在量子设备上实现优势。然而，当前方法大多依赖通用电路（如硬件高效 ansatz 配合随机初始化策略），后者已知存在训练可行性问题，如梯度消失（barren plateaus）。为此，文献中提出了一种张量网络预训练框架，用经典计算得到的线性纠缠结构的高质量解来初始化量子电路 ansatz。为改善该经典解，需扩展量子电路，但如何扩展影响训练可行性仍是开放问题。本文提出一种基于度量的扩展启发式方法，依据数据集特征之间的相似性度量来设计扩展电路。我们在 bars and stripes 数据集上验证该方法，并在金融数据上进行实验。我们的结果凸显了问题导向电路设计的重要性，表明基于度量的扩展启发式方法为在资源有限的情况下设计电路提供了引入归纳偏置的手段。