技术摘要：基于切比雪夫响应的相干投影器重叠 QFNN

1. 问题陈述

变分量子模型通常依赖于数据编码、可训练幺正变换和终端测量来定义假设类。然而，构建一个能够显式模仿经典神经网络结构——特别是具有可训练激活函数的非线性隐藏单元——的相干量子前馈神经网络（QFNN）仍然具有挑战性。量子演化在状态振幅上是线性的，这意味着无法在不破坏相干性的情况下，将中间“激活”作为任意标量映射插入。虽然对隐藏层进行测量并重新编码是可能的，但这会丢弃一个完全相切的递归可能保留的全部量子相干性。

本文探讨了一个问题：一个相干量子电路是否可以实现一个显式的非线性隐藏单元以及一个有限的一层激活库，同时保持层与层之间的完全相干性。本文旨在表征这种架构的表达能力、逼近能力和资源需求。

2. 方法论

2.1 核心原语：投影器-重叠单元

作者引入了一个被称为**量子重叠感知器（quantum overlap perceptron）**的基础构建模块。

• 预激活（Pre-activation）： 对于输入态 $|\psi\rangle$ 和一个可训练的参考态 $|\chi\rangle$（定义了一个投影器 $Q = |\chi\rangle\langle\chi|$），预激活是重叠保真度 $p = \langle\psi|Q|\psi\rangle$。
• 激活机制： 该模型没有使用标量非线性，而是使用了交替反射（alternating reflections）。具体而言，电路应用算符 $(R_\psi R_Q)^d$，其中 $R_\psi = I - 2|\psi\rangle\langle\psi|$ 且 $R_Q = I - 2Q$。
• 切比雪夫响应（Chebyshev Response）： 本文证明，对于 $d$ 对反射，所生成算符在输入态上的期望值产生第一类切比雪夫多项式：
  $$\langle\psi| (R_\psi R_Q)^d |\psi\rangle = T_d(2p - 1)$$
  这提供了一个精确的、有界的非线性响应函数 $T_d(2F - 1)$，其中 $F \in [0,1]$。

2.2 一层架构

单层由 $R$ 个此类分支组成的库组成，每个分支都有自己的参考投影器 $Q_j$ 和反射阶数 $d_j$。输出通过地址寄存器和干涉比特进行相干组合，随后进行仿射读出：
$$f(x) = b + \sum_{j=1}^R a_j T_{d_j}(2 \text{Tr}(\rho_x Q_j) - 1)$$
该结构作为经典感知器层的量子类比，其中“权重”是参考态，而“激活”是切比雪夫响应。

2.3 相干深度与递归

该架构可以在不进行中间测量的条件下扩展到多层。

• 递归态（Recursive State）： 完整的量子态（包括地址和干涉寄存器）被相干地传递到下一层。
• 层级反射： 第 $\ell$ 层的反射 $R_\Phi$ 是相对于由前几层准备的整个状态 $|\Phi^{(\ell-1)}_x\rangle$ 定义的。
• 精确激活保持： 定理 10.1 表明，在每一层，精确的切比雪夫激活律 $T_d(2p-1)$ 依然成立，其中 $p$ 是当前完整状态与参考投影器（该投影器可能作用于子系统）之间的重叠。
• 标量路由（Scalar Routing）： 文中确定了一种特定的子架构（定理 10.2），其中单个标量响应通过干涉寄存器进行路由，实现了精确的切比雪夫复合 $z_L = T_{d_L}(\dots T_{d_1}(z_0)\dots)$。

3. 主要贡献与理论结果

3.1 假设空间的精确表征

对于纯态输入，本文表征了具有最高阶数 $D$ 的单层网络的完整理想化函数空间。

• 张量幂表示（Tensor-Power Representation）： 该空间与对称张量幂 $\text{Sym}^D \mathcal{H}$ 上的线性泛函集合精确同构：
  $$\mathcal{V}_D = \{ \rho \mapsto \text{Tr}(A \rho^{\otimes D}) \mid A \in \text{Herm}(\text{Sym}^D \mathcal{H}) \}$$
• 维度与层级： 该空间的维度为 $\binom{n+D-1}{D}^2$。本文证明了严格的阶数层级（$V_0 \subsetneq V_1 \subsetneq \dots$），表明更高的阶数会严格增加表达能力。
• 分离性： 本文证明，对于 $D \ge 2$，该模型在表达能力上严格强于单副本观测模型（对 $\rho$ 呈线性），并给出了显式的有限样本分离结果（例如 XOR 型分离）。

3.2 逼近理论

• 通用逼近（Universal Approximation）： 本文证明了单层族具有通用逼近定理（定理 7.2）。对于具有连续、单射、纯值编码的紧致豪斯多夫输入域，具有任意宽度的有限库的并集在 $C(X, \mathbb{R})$ 中是一致稠密的。
• 向深度扩展： 利用“精确恢复”引理（引理 10.5），作者表明如果保留完整的序列前缀状态，则通用逼近定理可以转移到任何指定的有限相干深度（定理 10.6）。
• 收敛界限： 对于解析目标，逼近误差随反射阶数 $D$ 呈几何级数下降。

3.3 统计容量与泛化

• 泛化界限： 本文利用 Rademacher 复杂度推导了基于范数的泛化界限。对于有界算符范数 $B$，复杂度按 $O(B/\sqrt{m})$ 缩放。
• 核视角： 该模型与多项式保真度核 $K(\rho, \sigma) = [\text{Tr}(\rho\sigma)]^D$ 相关联。本文分析了该核的有效维度，表明对于纯态，该维度随阶数非减。

3.4 资源统计

• 深度-阶数权衡： 本文分析了实现高阶响应的代价。虽然一个路由深链可以通过线性数量的反射对实现阶数 $D = \prod d_\ell$，但直接的浅层实现需要 $O(D)$ 对反射。
• 算子调用（Oracle Calls）： 作者提供了基础算子调用（数据编码 $U_x$）的递推关系，表明除非硬件支持原生的当前状态反射，否则递归深度会使查询次数呈乘法增长。

4. 实验结果

作者在三个八分类图像数据集上展示了六种子模拟结果：

• MNIST8： $90.57 \pm 0.20\%$ 测试准确率。
• Fashion-MNIST8： $74.55 \pm 0.51\%$ 测试准确率。
• KMNIST8： $67.61 \pm 0.65\%$ 测试准确率。
  这些结果作为该架构可以在多分类设置下进行训练的原理证明。

5. 意义与主张

本文声称为相连变分量子架构中的类神经元多项式响应提供了一个显式的数学框架。其主要贡献在于：

1. 结构类比： 它在经典感知器和量子电路之间建立了严谨的结构类比，用投影器重叠取代了仿射预激活，用由交替反射生成的精确切比雪夫响应取代了非线性激活。
2. 精确理论： 不同于许多仅能近似或数值估计其函数空间的变分量子模型，这项工作提供了对假设空间（张量幂表示）、维度和层级的精确表征。
3. 相干递归： 它证明了“激活律”和通用逼近属性可以在不进行中间测量的完全相干递归电路的每一层中持续存在，弥合了浅层变分模型与深层相干网络之间的鸿沟。
4. 资源清晰度： 它将“哪些函数是可表示的”、“如何学习它们”以及“需要什么资源（量子比特、算子调用、深度）”这些问题进行了区分，为未来的资源匹配研究奠定了基础。

作者强调，该构造在结构上是“类神经”的（即重叠聚合 + 切比雪夫响应 + 仿射读出），而非对经典神经元的字面实现，且其理论是针对纯态编码的，混合态的扩展需要单独分析。