arXiv cs.AI· Md Masum Mia, Amith Khandakar, Mohamed Arselene Ayari·· 11 小时前AI 评分20
混合量子神经网络的有效维度究竟衡量了什么？
What Does the Effective Dimension of a Hybrid Quantum Neural Network Actually Measure?
AI 导读
混合量子神经网络中常被记录为容量指标的有效维度，实际等于 Pauli-Z 输出敏感度的参与比（PR），而非量子 Fisher 信息矩阵（QFIM）全矩阵的 PR。
正文 · AI 翻译
摘要：混合量子神经网络（QNN）将经典骨干网络的特征传入变分量子电路，许多研究记录一个称为有效维度的标量，作为容量或模型质量的标志。有效维度通常定义为量子 Fisher 信息矩阵（QFIM）的参与比（PR），但实际研究往往记录的是廉价参数敏感度的 PR，而这个标量的含义很少被检验。我们证明，所记录的标量等于 Pauli-Z 输出敏感度的 PR；在 n 个量子比特上，每个敏感度至多是其 QFIM 对角元素对应值的 n 倍；并且 QFIM 对角线的 PR 会以由非对角质量决定的精确倍数高估完整矩阵的 PR。随后，我们在 CIFAR-10 和 EuroSAT 上，使用四个冻结骨干网络（其中一个是随机投影），在 4 到 16 个量子比特、1 到 4 层、三种纠缠模式和三个随机种子的条件下检验该标量。在固定电路下，CIFAR-10 准确率跨度从 23.14% 到 86.44%，而该标量保持在 6.63 到 9.13 之间，并且在 14 种配置中有 7 种，其与准确率的相关性在不同随机种子间改变符号。深度将活跃参数占比从 0.39 提高到 0.91，接近我们推导出的上限；初始梯度方差从 4 个量子比特到 16 个量子比特下降了 34.5 倍。在相同参数数量下，移除纠缠使准确率提高 5.3 到 8.2 个百分点。因此，有效维度描述的是电路几何结构而非模型质量，所以容量、可训练性和准确率各自都需要自己的诊断指标。
| 评论： | 21 页，13 幅图，11 张表；包括 3 页补充材料 |
| 主题： | 量子物理（quant-ph）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.14070 [quant-ph] |
| （或 arXiv:2610.14070v2 [quant-ph] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14070 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Amith Khandakar 先生 [查看电子邮件]
[v1]
2026 年 10 月 7 日星期三 21:38:19 UTC（698 KB）
[v2]
2026 年 11 月 4 日星期三 19:02:05 UTC（805 KB）
来源：arXiv cs.AI · arxiv.org