通过分析量子卷积神经网络（QCNNs），发现QCNNs利用量子数据嵌入物理系统参数，表现出高性能的量子相识别能力。QCNNs的汇集层选择有助于形成高性能决策边界的基函数。QCNN模型的泛化依赖于嵌入类型，基于有限测量次数的QCNN偏爱地面态嵌入和相关的物理信息模型。模拟结果为物理过程分类问题提供了启示。选择适当的地面态嵌入可用于流体动力学问题的QCNN。

量子卷积神经网络（QCNNs）利用量子数据嵌入物理系统参数，表现出高性能的量子相识别能力。QCNNs的汇集层选择有助于形成高性能决策边界的基函数。QCNN模型的泛化依赖于嵌入类型，基于傅立叶基准的旋转特征映射需要精心设计。基于有限测量次数的QCNN偏爱地面态嵌入和相关的物理信息模型。地面态嵌入可用于流体动力学问题的QCNN，可良好泛化并可训练。