深度量子数据重上传模型的预测性能

结合数据重上传电路的量子机器学习模型因其卓越的表达能力和可训练性而备受关注。然而，它们在未见数据上生成准确预测的能力（即预测性能）仍未得到充分研究。本研究揭示了在数据重上传模型中采用深度编码层时预测性能的一个基本局限。具体而言，我们从理论上证明，当使用有限量子比特的数据重上传模型处理高维数据时，随着编码层数的增加，其预测性能会逐渐退化至接近随机猜测的水平。在此背景下，重复的数据上传无法缓解性能退化。这些发现通过在合成线性可分数据集和真实世界数据集上的实验得到了验证。我们的结果表明，在处理高维数据时，量子数据重上传模型应设计为更宽的电路架构，而非更深、更窄的架构。