用量子Fisher信息重新思考量子持续学习

量子持续学习旨在顺序任务上训练量子模型而不丢失先前学到的知识。然而，变分量子分类器（VQCs）在非平稳任务分布下容易发生灾难性遗忘。我们提出了量子弹性权重巩固（QEWC），一种基于量子Fisher信息（QFI）的正则化方法以减轻遗忘。与基于经典Fisher信息（CFI）的传统弹性权重巩固不同，后者通过依赖于测量的输出统计量来衡量参数重要性，QEWC使用QFI来量化参数化量子态的内在敏感性。这提供了一种信息几何视角，其中重要参数通过量子态流形的局部响应来识别。我们在顺序二分类任务（包括经典图像分类和量子相分类任务）上训练的VQCs上评估了QEWC。模拟表明，无正则化的顺序训练会导致严重遗忘，而基于CFI的EWC和基于QFI的QEWC都能提高对先前任务的保持。机制分析进一步表明，这两种方法施加了不同的正则化几何：CFI选择性地作用于测量敏感方向，而QFI在参数空间上施加更密集的状态几何约束。在去极化噪声下，CFI值因测量统计量退化而被强烈抑制，而QFI则保留了含噪参数化量子态更稳定的敏感性结构。这些结果确立了QEWC作为一种物理动机明确的方法，通过量子态几何来研究和减轻量子持续学习中的遗忘。