论文解读 · 2026年10月10日
迈向自适应生长量子分类器中电路深度与训练数据量的联合优化
Toward Joint Optimization of Circuit Depth and Training Data Size in Adaptively Grown Quantum Classifiers
在改变训练数据规模的同时将 Q-FLAIR 电路生长方法用于 MNIST，结果发现数据量与最终电路规模之间没有出现可预测的关系。
问题
量子模型需要同时决定电路做得多复杂以及使用多少训练数据。Caro 等人给出了一个上界，表明可训练门越少，用越少的数据就能泛化；Q-FLAIR 则逐个门地扩展电路，在损失不再改善时停止。将两者结合能否得到随数据量变化的电路规模缩放定律，尚未得到确认。
方法
原样复现了 Q-FLAIR 的门池、解析重构和停止规则，在 784 维特征选择上用 bounded scalar 优化代替网格搜索。使用 5 量子比特环形结构，直接以原始 784 像素对 MNIST 的 3 和 5 进行分类，在 N=2000~10000 的五种规模下各用 3 个种子，共运行 15 次。生长完成后用 Adam 微调全部权重，测量权重变化超过 0.05 的门数 K，并与 Caro 等人的上界比较。
结果
- 最终电路规模在 16~23 个门之间，测试准确率在 84~89% 之间，随 N 非单调变化。
- 种子间标准差最大约为 9 个门，与整个 N 范围内的差异处于相近水平。
- 除微调没有带来改善的 1 次外，其余 14 次的实际泛化差距都没有超过 Caro 等人的上界。
- 泛化差距与上界值的相关性为 r=0.12，较弱，且并不比只使用总门数 T 的情况（r=0.05）有意义地更好。
局限
仅有单一数据集、单一任务，每个 N 只有 3 个种子，因此检测不到小于种子方差的趋势。微调阶段及其学习率、阈值 δ 是本研究新增的，只测试了一组取值，取值不同可能会改变 K 和相关性结果。未确认能否推广到 QSVM 变体或其他高维输入。所有电路仅通过模拟运行。
意义
这表明即使理论泛化上界成立，也可能对预测实际性能几乎没有帮助。作者认为，像 784 个候选特征这样大的搜索空间会使停止规则与数据量无关，并提出需要能反映数据规模和候选数量的停止规则。
关键术语
- Q-FLAIR
- 从空电路开始逐个添加门来扩展量子特征映射电路，当训练损失的改善低于阈值时停止的方法。
- 活跃门数 K
- Caro 等人泛化上界中训练期间发生较大变化的门的数量。若小于总门数 T，就能给出更紧的上界。
- 泛化差距（Generalization Gap）
- 模型在训练数据上的表现与在未见过的测试数据上的表现之间的差异。
- 数据重上传（Data Re-uploading）
- 把输入数据反复送入电路的多个层，以提高量子模型表达能力的设计。
原文
作者: Saeefa Rubaiyet Nowmi, Md Mahmuduzzaman Kamol, Mohammad Saidur Rahman · 发布 2026-10-08 · 许可 CC BY-NC-ND 4.0 · 基于全文分析
本解读是 AI 阅读论文后撰写的摘要，请以论文原文为准。