基于机器学习的维度自适应量子态重建

基于摘要分析。该研究针对量子态重建中待测系统维度与机器学习模型训练维度必须匹配的问题，提出使用仅在 m 个量子比特系统上训练的重建模型，处理 n 个量子比特系统，其中 m≥n。其主要贡献是放宽训练与应用系统的维度匹配要求，而非提出 EEG/BCI 解码方法。 作者报告，在随机采样的一、二、三个量子比特系统上进行了重建演示，所用机器学习方法均只在至少多一个量子比特的系统上训练。摘要未说明不同维度之间的输入输出映射、量子测量表示、网络结构、损失函数或训练样本规模，因此尚不能判断维度适配依赖何种具体操作，以及适用性是否受量子态分布和测量条件限制。 作者报告，机器学习方法的重建耗时随规模增长的表现显著优于训练耗时的增长表现，并据此指出，复用单一神经网络可能节省为不同 Hilbert 空间分别训练模型的资源。摘要没有提供具体运行时间、重建精度或对照结果，资源收益及精度权衡尚未验证；实验协议、消融及统计信息也尚未验证。 这里的维度指量子系统的 Hilbert 空间维度，不能直接等同于 EEG 通道数或跨被试差异。摘要尚未提供可对应到 EEG 的独立适配机制，因此不据此提出 BCI 迁移效果或复现实验建议；相关 EEG 工作尚未检索确认。