探索量子神经网络模型空间局部邻域中的通道可区分性

基于摘要分析。本文研究量子神经网络（QNN）的参数化量子线路架构（ansatz）如何影响训练，核心贡献是从参数小幅扰动后的模型可区分性出发，刻画模型空间的局部性质，并推导可区分性的上界，而非仅依赖全局表达能力指标。 作者首先考察 ansatz 能表达的操作空间，并指出，常用的接近 2-design 程度这一度量不能充分刻画该表达能力。随后，研究转向不同于表达能力的局部分析：参数更新后，模型对应的量子通道能否被有效区分。作者报告，其上界表明，采用 Hardware Efficient Ansatz 且参数较少的 QNN 在更新前后难以区分。这里的“通道”指量子通道，并非 EEG 电极或信号通道。 作者报告，数值实验支持所推导的界，同时显示出显著变异性，据此强调热启动或合理初始化的重要性。作者进一步提出，小型量子模型的迭代训练可能并不有效；这一结论应结合理论假设和数值实验适用范围理解，不能推广为所有 QNN 均不可训练。摘要未提供可区分性所用的具体度量、上界形式、线路规模、参数配置或实验数值，实验协议、消融及统计信息尚未验证。 本文的主要对象是参数化量子线路的训练动力学，而非 BCI 或神经信号解码。现有材料未提供与 EEG 瓶颈的具体机制对应关系，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。复核时应重点查看可区分性上界成立的条件、参数扰动定义，以及局部难区分性与实际训练进展之间的证据联系。