面向量子跨平台验证的多模态深度表示学习

基于摘要分析。本文研究量子计算中的跨平台验证：以尽量少的测量，刻画两个不完美量子设备执行相同算法时的相似性。作者提出融合测量结果与编译电路经典描述的多模态深度表示学习方法，旨在缓解随机测量方法随量子比特数增加而面临的近指数级计算开销。 核心机制是分别从两种模态中提取信息，再通过融合操作形成联合表示。其中，测量结果反映设备执行后的观测信息，编译电路描述提供另一类互补信息。作者报告，所学表示可用于训练数据中未出现的新量子算法，预测设备间的相似性；摘要未说明相似性的数学定义、监督目标、网络结构、损失函数及融合形式。 作者报告，在涵盖多种噪声模型、系统规模最高达 50 个量子比特的评估中，该方法相较随机测量方法的预测准确性改善三个数量级，并提供了两种模态发挥互补作用的证据。摘要未给出“预测准确性”的具体指标与数值，不能将这一表述换算为分类 Accuracy、百分比或百分点；测量预算、数据划分、对照计算资源及不同规模下的结果尚未验证。 复核重点包括：未见算法的划分方式、设备与噪声条件的覆盖范围、单模态对照，以及训练与推理成本是否真正缓解原有计算瓶颈。实验协议、消融及统计信息尚未验证。本文主要对象是量子设备验证，摘要未提供与 EEG/BCI 的具体机制对应关系，因此不据此提出迁移效果或复现实验建议。