Twirlator：分析量子机器学习 ansatz 中的子群对称性效应的管道
量子物理
2026-01-28 v2 机器学习
摘要
对称性是几何深度学习及其量子对应项中的强有力归纳偏置，已引起越来越多的关注以提高 QML 模型的可训练性。然而，将对称性纳入量子机器学习 (QML) ansatz 并不没有代价：对称化通常会增加门并限制电路。为理解这些影响，我们提出了 Twirlator，这是一个自动化管道，对参数化 QML ansatz 进行对称化并量化随对称性增加所产生的权衡。Twirlator 通过子群的大小来建模部分对称性，从而实现从“无对称性”到“完全对称性”之间的分析。跨 19 种常见 ansatz 模式，Twirlator 对 的任意子群进行对称化电路，并衡量 (1) 生成器漂移、(2) 电路开销（深度和规模），以及 (3) 可表达性和纠缠能力。实验评估聚焦于 和 的子群。Twirlator 揭示较大的子群通常会增加电路开销、降低可表达性，以及常常增加纠缠能力。该管道和结果为在对称感知的 QML 应用中选择合适的 ansatz 模式和对称性水平提供了实用指导。
引用
@article{arxiv.2511.04243,
title = {Twirlator: A Pipeline for Analyzing Subgroup Symmetry Effects in Quantum Machine Learning Ansatzes},
author = {Valter Uotila and Väinö Mehtola and Ilmo Salmenperä and Bo Zhao},
journal= {arXiv preprint arXiv:2511.04243},
year = {2026}
}
备注
8 pages; 7 figures; presented at the 7th International Workshop on Quantum Software Engineering (Q-SE 2026)