量子机器学习需要多少重构？独立训练量子子电路的晚期融合

电路切割允许大型量子神经网络（QNN）在小型设备上作为独立子电路运行，但通过重构重建其输出会带来与切割数量呈指数相关的经典采样开销——这是先前工作中的主要运行时成本。我们探讨对于机器学习任务这一步骤是否必要，并用晚期融合取代它：每个子电路独立训练和测量，由一个小的经典头部组合其输出——这是一种借鉴自多模态学习的线性成本、决策层组合。为了表征这种权衡，我们引入了量子度盘 $Q$（一种可调的重构预算，从纯融合插值到完全重构），以及一种切割纠缠诊断指标，用于指示任务需要多少重构（在 $104$ 次运行中 Spearman $\rho=0.59$）。在合成数据集与标准数据集上，独立训练的晚期融合在受控扫描的每个点和每个经典基准测试中，均以指数级更低的成本匹配了完全重构的精度，误差在 $0.04$ 以内；它对射击噪声和设备噪声的鲁棒性也显著更强。受控纠缠数据实验定位了融合必然失败的边界。我们不声称相对于经典机器学习具有优势——与最近的基准测试一致，量子在这些数据集上没有精度优势。因此，晚期融合是电路切割 QML 中一种高效、抗噪且能自表征的重构替代方案。