傅里叶墙：为什么公共表格数据集拒绝量子优势，以及其所在之处的认证配方

在公共表格基准测试中，量子机器学习（QML）模型通常输给精心调优的经典基线。我们认为这是数据集的结构性属性，而不仅仅是当前模型的局限性。由于角度编码量子神经网络是部分傅里叶级数，真正的优势只有在目标频谱同时满足离网格、相互作用阶数至少为三、高频、由近独立特征支持且密度超出实际枚举范围时才能出现。我们将这些条件不满足的情况称为傅里叶墙。我们将这些条件操作化为SPECTRA，一个两级证书：一个无需模拟器的结构筛选，随后是匹配量子模型与五个调优经典孪生模型之间的决定性比较，使用配对自助置信界。在工业智能电表数据上，SPECTRA正确拒绝了真实的峰值负荷目标，梯度提升树在该目标上达到0.999的留出ROC-AUC。在相同的真实能量相位上，使用相互作用量子过程生成的标签，动力学匹配的量子模型达到0.994，而最佳通用经典基线为0.699，并且当其相互作用耦合被消融时性能降至随机水平。一个精确的经典模拟器在小宽度下与量子模型持平，但产生可测量的指数评估成本，估计硬件交叉点约在13-19个位点附近。这些结果为在表格数据中识别、工程化和部署量子优势候选提供了实用配方。