量子-经典机器学习模型中基本性质的重要性
量子物理
2026-02-10 v2
摘要
我们对量子电路设计——具体而言是变分 ansatz 深度和量子特征映射的选择——如何影响混合量子-经典神经网络在因果分类任务上的性能进行系统性研究。该架构将用于经典特征提取的卷积神经网络与充当量子层的可参数化量子电路相结合。我们评估了多个 ansatz 深度和九种不同的特征映射。结果表明，增加 ansatz 重复次数可改善泛化并提升训练稳定性，但益处在一定深度后趋于平台期。特征映射的选择尤为关键：仅支持多轴 Paul 旋转的编码才能实现成功学习，而更简单的映射会导致欠拟合或类别可分性丧失。主成分分析和轮廓得分揭示了数据分布在网络各阶段的演变方式。这些发现为在混合模型中设计量子电路提供了实用指导。所有源代码和评估工具均公开可用。
引用
@article{arxiv.2507.10161,
title = {On the Importance of Fundamental Properties in Quantum-Classical Machine Learning Models},
author = {Silvie Illésová and Tomasz Rybotycki and Piotr Gawron and Martin Beseda},
journal= {arXiv preprint arXiv:2507.10161},
year = {2026}
}