量子神经网络中测量相关方差的研究
量子物理
2026-01-14 v1
摘要
变分量子电路已成为在标记量子态上执行量子机器学习（QML）任务的广泛使用工具。在某些特定任务或特定变分ansatz中，可能对总体输入态的子集进行测量。这就是例如量子卷积神经网络（QCNN）的情况，在该网络中，在电路的每一层之后都会对处理态的一部分量子比特进行测量或追踪，最终通常测量一个局部可观测量。在本文中，我们展示测量支持受限的可观测量会导致回归QML任务中的标签预测方差更大。我们指出，原因基本上是对变分电路之后测量的可观测量的不同特征值的数量。
引用
@article{arxiv.2601.08029,
title = {On measurement-dependent variance in quantum neural networks},
author = {Andrey Kardashin and Konstantin Antipin},
journal= {arXiv preprint arXiv:2601.08029},
year = {2026}
}
备注
20 pages, 9 figures