变分量子电路中分类误差的快速抑制

变分量子电路（VQC）在近 term 应用中展现出巨大潜力。然而，VQC 的判别能力与其电路架构和深度的关系尚不清楚。为释放 VQC 的真正判别能力，我们提出一种具有最优经典后处理的 VQC 系统——对所有 VQC 输出量子比特测量的最大似然估计。通过大量数值模拟，我们发现当 VQC 架构为广延式（门数不随电路深度缩减）时，VQC 量子数据分类的误差通常随电路深度呈指数衰减。这种快速误差抑制在趋近量子态判别终极 Helstrom 极限时达到饱和。另一方面，非广延式 VQC（如量子卷积神经网络）为次优，无法达到 Helstrom 极限。对于给定的 VQC 达到最佳性能，即便在二分类问题中，最优经典后处理也至关重要。为简化近 term 实现的 VQC，我们发现恰当利用输入对称性可提升性能，而过度简化会导致性能下降。