精选理由
别只看参数数量，量子电路里的纠缠才是泛化关键。这篇论文用PAC-Bayesian理论加实验验证，帮你理解怎么设计泛化更好的量子策略。
该论文通过PAC-Bayesian框架分析了参数化量子电路(PQC)作为策略和价值函数时的泛化机制。研究发现，泛化由Fisher几何有效维度主导，而非参数数量，且纠缠会增大该维度，成为独立的复杂性轴。在固定参数数量的实验中，Fisher有效维度更大的电路显示出更大的训练-测试差距，纠缠电路比非纠缠电路泛化更差。分类、上下文强盗和值函数实验中，效果显著，且在IBM Heron量子处理器上真实噪声下依然成立。
AI 翻译 · 中文
该论文通过PAC-Bayesian框架分析了参数化量子电路(PQC)作为策略和价值函数时的泛化机制。研究发现，泛化由Fisher几何有效维度主导，而非参数数量，且纠缠会增大该维度，成为独立的复杂性轴。在固定参数数量的实验中，Fisher有效维度更大的电路显示出更大的训练-测试差距，纠缠电路比非纠缠电路泛化更差。分类、上下文强盗和值函数实验中，效果显著，且在IBM Heron量子处理器上真实噪声下依然成立。
Parameterized quantum circuits (PQCs) are increasingly used as policies and value functions in quantum reinforcement learning, yet it remains unclear when and why quantum policies generalize. We give a PAC-Bayesian accou…