1. 脉冲量子机器学习模型的设计挑战与突破

量子机器学习(QML)作为量子计算与经典算法融合的前沿领域，在NISQ（含噪声中等规模量子）时代展现出独特的硬件效率优势。其中，脉冲量子模型通过连续时间控制实现参数化，相比传统的门电路模型具有更接近物理实现的特性。这种模型直接将控制脉冲作为可调参数，省去了量子门编译环节，在有限相干时间内能实现更深层的量子线路等效结构。

然而，设计实用的脉冲QML模型面临两个看似矛盾的核心需求：表达力（expressivity）与可训练性（trainability）。表达力指模型逼近复杂函数的能力，而可训练性则关乎优化算法能否有效找到最优参数。我们的研究发现，这两者之间存在微妙的平衡关系——过强的表达力往往导致"贫瘠高原"现象（barren plateaus），即损失函数的梯度随系统规模指数衰减，使训练陷入停滞。

关键洞见：动态对称性（dynamical symmetry）是解决这一矛盾的核心钥匙。通过精心设计系统的Lie代数结构，可以约束量子态演化在特定子流形上进行，既保持足够的表达力，又避免损失函数梯度的指数衰减。

2. 脉冲QML模型的数学框架与Lie代数分析

2.1 脉冲模型的基本方程

脉冲QML模型可描述为受控量子系统：

|˙ψ(t;x)〉= -i[HE(t,x) + HC(t)]|ψ(t;x)〉

其中HE(t,x)是编码输入变量x的哈密顿量，HC(t)是增强表达力的控制哈密顿量。系统输出通过期望值测量获得：

f(x,Θ) = 〈ψ(T;x)|M|ψ(T;x)〉

2.2 动态对称性与Lie代数结构

令g = {iH1,...,iHm+p}LA为由哈密顿量生成的Lie代数，其分解为：

g = c ⊕ g1 ⊕ ··· ⊕ gk

其中c是g的中心，g1 ⊕ ··· ⊕ gk是半单部分。根据Larocca等人的研究，损失函数的方差可表示为：

Var[f(x,Θ)] = Σ Pgj(ρ)Pgj(M)/dim(gj)

这一公式揭示了模型可训练性与Lie代数维度的直接关联。当系统完全可控时（g=su(2^n)），dim(g)随量子比特数n指数增长，导致方差指数衰减（贫瘠高原）。因此，必须引入非平凡动态对称性来约束Lie代数的维度增长。

3. 表达力的必要条件与Dyson级数分析

3.1 多项式展开与系数可调性

通过Dyson级数展开（控制论中称为Fliess展开），模型输出可表示为x的多项式：

f(x,Θ) = Σ Ck1,...,km(Θ)x1^k1···xm^km

其中系数Ck1,...,km(Θ)由两项决定：

1. 控制脉冲决定的积分项cj1...jn(Θ)
2. 初始态与可观测量决定的Lie代数项〈ψ0|Lj1···LjnM|ψ0〉

3.2 表达力必要条件的证明

定理1 ：在足够长的时间T下，脉冲QML模型(2)能近似任意函数的必要条件是：对所有k1,...,km≥0，存在(j1,...,jn)∈Jk1,...,km使得〈ψ0|Lj1···LjnM|ψ0〉≠0。

该条件可通过递归构造算子集Sk1,...,km进行验证。例如对于双量子比特so(4)对称性模型：

H[x;Θ] = xσz^(1)σz^(2) + θ1(t)σx^(1) + θ2(t)σx^(2)

当选择|ψ0〉=|0〉⊗|0〉时，所有奇数幂项的系数为零，模型只能逼近偶函数。而改用|ψ0〉=(2/√5|0〉+1/√5|1〉)⊗|0〉后，模型获得完整表达力。

4. 数值验证与模型设计指南

4.1 单变量函数逼近实验

我们测试了具有so(4)对称性的双量子比特模型对多项式函数：

f0(x) = 2x + 3x^2 + x^3 + ... -13x^12

的逼近能力。当初始态满足必要条件时（图2），模型在T=20时达到10^-3精度；而违反条件的|ψ0〉=|0〉⊗|0〉只能拟合偶函数部分。

4.2 双变量函数逼近实验

对于哈密顿量：

H[x;Θ] = x1θ1(t)σy^(1)σy^(2) + x2θ2(t)σz^(1)σz^(2) + ...

当固定θ1(t)=θ2(t)=1时（图3a），模型表达力受限；而允许脉冲自由调节时（图3b），在T=4时即实现完美拟合。

4.3 四类对称性模型的对比

我们系统比较了su(2)、su(2)^⊗n、so(n)和su(2^n)四种对称性模型：

1. su(2) ：维度恒定(dim=3)，方差恒定，但表达力随n增长有限
2. su(2)^⊗n ：维度线性增长(dim=3n)，方差多项式衰减
3. so(n) ：维度二次增长(dim=n(n-1)/2)，方差多项式衰减
4. su(2^n) ：维度指数增长(dim=4^n-1)，方差指数衰减（贫瘠高原）

实验数据（图4）显示：

• 表达力：su(2) < su(2)^⊗n < so(n) < su(2^n)
• 可训练性：su(2) > su(2)^⊗n ≈ so(n) ≫ su(2^n)

5. 实用化设计框架与实施建议

基于上述分析，我们提出脉冲QML模型的五步设计法：

1. 对称性选择 ：根据问题复杂度在so(n)与su(2)^⊗n间折衷
2. 初始态设计 ：确保对所有k1,...,km存在非零Lie代数项
3. 可观测量选择 ：优先从Lie代数g中选取以保证可训练性
4. 脉冲参数化 ：采用分段常数脉冲，每段时长∆t≈0.1（类比QNN层数）
5. 训练策略 ：使用Adam优化器（学习率0.05），动态调整脉冲时长T

关键技巧：当模型陷入局部极小值时，可尝试：(1)增加脉冲分段数K (2)引入小幅对称性破缺项 (3)采用课程学习策略逐步增加T

6. 前沿挑战与未来方向

尽管动态对称性为解决表达力-可训练性矛盾提供了有效框架，仍存在以下开放问题：

1. 充分性证明 ：当前条件仅为必要非充分，需进一步研究完全表征
2. 泛化能力 ：如何平衡表达力、可训练性与泛化性能的三元关系
3. 硬件噪声 ：NISQ设备噪声对对称性的影响及缓解策略
4. 局部极小值 ：动态对称性可能导致复杂损失景观，需开发专用优化算法

实验中发现一个有趣现象：对于su(2)^⊗n模型，当n>4时其表达力开始超越so(n)模型。这与理论预测的渐进行为看似矛盾，实则反映了有限量子比特下控制脉冲数量（2n vs n-1）的竞争效应。这提示我们在中等规模系统设计中，需要同时考虑对称性结构与可调参数自由度。