学习浅层量子电路
内容提要
该文综述量子电路学习：用低深度量子-经典混合算法训练浅层电路，实现GHZ态制备、热态近似与监督分类，参数少且性能好；讨论量子态与幺正算子学习的复杂度，指出采样与门复杂度线性相关、计算复杂度或指数增长，限制模型表达能力；提出稳定子维度学习与质检算法，并分析Born机可学习性及变分量子电路在强化学习中的应用。
延伸解读
浅层电路学习的硬件适配价值
文章指出，基于量子电路学习的算法能利用本地门和量子位连接等硬件能力，辅助量子设备表征，并训练浅层电路完成生成式任务。这意味着学习过程可以贴合具体硬件的连接限制，而不是依赖高深度电路。同时提出的qBAS得分作为硬件无关指标，为衡量近期量子设备性能提供了新视角，读者可关注其如何反映实际硬件能力。
参数效率与分类性能的平衡
低深度可变量量子算法使用参数化单双量子位门和单量子位测量，可学习参数数量与输入维度呈多项式对数关系，模拟中在标准经典基准数据集上分类性能良好且参数极少。这提示浅层电路在参数效率上有优势，但文章也指出计算复杂度可能指数增长，限制模型表达能力，因此实际应用中需权衡参数节省与可学习性边界。
学习复杂度的理论边界
文章综述指出，学习量子态和幺正算子的复杂度与创建它们的复杂度相关：采样复杂度与门复杂度线性相关，查询复杂度与门数线性相关，而计算复杂度根据可信加密猜想呈指数爆炸增长。这些结果限制了量子机器学习模型的表达能力，并为幺正算子学习中的no-free-lunch定理提供新视角。读者应留意，浅层电路学习并非没有理论代价。
稳定子维度与Born机可学习性
文章介绍了一种用Clifford门和O(log(n))非Clifford门高效学习量子态的算法，以及学习大稳定子维度的算法和质检算法。同时，关于Born机可学习性的研究表明，具有超对数深度的克里福德电路输出分布在统计查询模型下不易学习，这从概率建模角度严格限制了学习本地量子电路输出分布的可能性，提示浅层电路的可学习性存在条件。
Q&A
浅层量子电路学习主要用什么样的算法框架？
采用低深度的量子-经典混合算法，通过经典计算机迭代优化量子电路参数，避免高深度量子电路，实现学习任务。
浅层量子电路能用来做哪些具体任务？
可用于GHZ态制备、连续热态近似制备（波函数幅度编码玻尔兹曼概率）、监督分类（如标准经典基准数据集分类），以及强化学习中的决策制定和政策选择。
学习量子态和幺正算子的复杂度有什么特点？
采样复杂度与门复杂度线性相关，查询复杂度与门数线性相关，但计算复杂度根据可信的加密猜想呈指数爆炸增长，这限制了量子机器学习模型的表达能力。
传统量子态重构需要多少测量次数？
对于大多数实际目的，传统量子态重构只需测量数量呈线性增长关系，而非指数函数关系。
如何高效学习一个量子态？稳定子维度学习算法是什么？
使用Clifford门和O(log(n))个非Clifford门可高效学习量子态；稳定子维度学习算法利用2^k个Pauli操作符的交换群来稳定量子态，并开发了有效的质检算法测试稳定子维度。
量子电路Born机的可学习性如何？
给定访问样本时可用于统计学习，但具有超对数深度的Clifford电路的输出分布在统计查询模型下不易于学习，这限制了学习本地量子电路输出分布的可能性。
