核心发现
方法论
本文采用傅里叶级数的数学框架，将参数化量子电路的输出表示为数据的傅里叶展开，频率由数据编码门的本征值决定。通过分析单次和多次重复编码策略，揭示频谱的扩展机制。利用特征值分解，将编码门的Hamiltonian对角化，得到频率集Ω，并通过调节电路参数实现系数的控制。论文还证明了在频谱丰富且系数可控的条件下，模型具有泛化为任意函数的能力。实验中采用随机初始化的参数化电路，验证频谱扩展与模型表达能力的关系。
关键结果
- 重复数据编码（如多层或并行编码）可以线性扩展频谱，最大支持频率为r（编码重复次数），实现傅里叶级数的阶数提升。具体而言，单次编码支持的频谱为Ω={−1, 0, 1}，多次重复后可达到Ω={−r, ..., r}，极大增强模型的表达能力。
- 模型的频率集Ω由编码Hamiltonian的本征值差值决定，若本征值为整数，则频谱为整数集，模型可表达任意有限阶傅里叶级数。实验中，采用Pauli-X旋转编码，验证了频谱扩展对函数逼近的影响。
- 在频谱丰富且系数可调的条件下，模型可以逼近任意平方可积函数，具有普适性。理论证明结合傅里叶级数的完备性，确保模型在无限频谱下的泛化能力。
研究意义
本研究系统揭示了数据编码策略对量子模型表达能力的根本影响，为量子机器学习的理论基础提供了新视角。通过傅里叶分析，明确了频谱的控制机制，为设计具有强泛化能力的量子模型提供理论依据。这不仅丰富了量子学习的数学工具箱，也为实际应用中的模型选择和优化提供指导，有助于推动量子深度学习的理论发展与实践落地。
技术贡献
论文首次系统性地将傅里叶级数引入量子模型的表达能力分析，明确了频谱的生成机制和控制条件。提出了多层和重复编码策略的频谱扩展原理，建立了频谱丰富性与模型泛化能力的数学联系。还证明了在频谱足够丰富时，模型具有普适逼近能力，提供了量子学习理论的关键突破。此研究结合线性代数、傅里叶分析和量子信息理论，丰富了量子机器学习的理论框架。
新颖性
本研究的创新点在于将傅里叶级数的数学工具系统性引入量子模型的表达能力分析，首次证明了频谱丰富性与模型普适性之间的直接联系。与以往强调量子电路的量子信息处理能力不同，本文关注模型在函数逼近中的表现，强调数据编码策略对表达能力的决定性作用。这一视角为量子机器学习提供了全新的理论基础，也为未来模型设计提供了明确的指导原则。
局限性
- 本研究主要集中在理想化的频谱控制条件，实际中噪声、门误差等因素可能影响频谱的精确控制和模型性能，尚未充分考虑噪声对频谱扩展的影响。
- 频谱的扩展依赖于编码Hamiltonian的本征值，若本征值非整数或受限制，模型的表达能力可能受到限制，实际应用中需考虑硬件实现的限制。
- 模型的系数调控能力依赖于参数化电路的复杂度，浅层电路可能难以实现所有傅里叶系数的精确调节，影响模型的逼近能力。
未来方向
未来研究将深入探索噪声环境下频谱控制的鲁棒性，结合硬件限制优化编码策略。同时，扩展到多变量输入和更复杂的量子电路结构，研究其频谱特性与表达能力的关系。此外，将傅里叶分析与学习理论结合，建立量子模型的泛化界限，为实际量子机器学习系统的设计提供理论支撑。
AI 总览摘要
在量子机器学习领域，模型的表达能力一直是核心研究问题之一。传统上，研究者关注量子电路的量子信息处理能力，而忽视了数据编码策略对模型函数逼近能力的决定性作用。本文以傅里叶级数为分析工具，系统揭示了数据编码方式如何影响量子模型的频谱结构，从而决定其函数逼近的范围和能力。
通过对单次和多次重复编码策略的数学分析，作者证明了频谱可以线性扩展，支持更高阶的傅里叶级数，从而显著提升模型的表达能力。这一机制依赖于编码Hamiltonian的本征值差值，若为整数，则频谱为整数集，模型能逼近任意有限阶傅里叶级数，具有普适性。
实验部分采用随机初始化参数的量子电路，验证了频谱扩展与函数逼近能力的关系。结果显示，重复编码策略不仅理论上可行，而且在实际中能够有效提升模型的逼近性能。此发现为量子深度学习的模型设计提供了重要的理论依据。
更深层次的意义在于，频谱丰富性与模型泛化能力密切相关。只要频谱足够丰富，模型便能逼近任何平方可积函数，展现出强大的泛化潜力。这为未来量子机器学习的理论发展和实际应用奠定了基础。
然而，研究也存在局限，主要包括噪声影响、硬件限制和浅层电路的系数调节能力。未来工作将聚焦于噪声鲁棒性、多变量输入扩展以及硬件友好的频谱控制策略，推动量子学习模型的实用化和普适化。整体而言，该研究为理解和提升量子模型的表达能力提供了崭新视角，具有重要的理论和实践价值。
深度解读
原文摘要
Quantum computers can be used for supervised learning by treating parametrised quantum circuits as models that map data inputs to predictions. While a lot of work has been done to investigate practical implications of this approach, many important theoretical properties of these models remain unknown. Here we investigate how the strategy with which data is encoded into the model influences the expressive power of parametrised quantum circuits as function approximators. We show that one can naturally write a quantum model as a partial Fourier series in the data, where the accessible frequencies are determined by the nature of the data encoding gates in the circuit. By repeating simple data encoding gates multiple times, quantum models can access increasingly rich frequency spectra. We show that there exist quantum models which can realise all possible sets of Fourier coefficients, and therefore, if the accessible frequency spectrum is asymptotically rich enough, such models are universal function approximators.
参考文献 (20)
Quantum circuit structure learning
M. Ostaszewski, Edward Grant, Marcello Benedetti
Fantastic Generalization Measures and Where to Find Them
Yiding Jiang, Behnam Neyshabur, H. Mobahi 等
Classification with Quantum Neural Networks on Near Term Processors
E. Farhi, H. Neven
On convergence and growth of partial sums of Fourier series
L. Carleson
Understanding Machine Learning: From Theory to Algorithms
S. Shalev-Shwartz, S. Ben-David
Quantum support vector machine for big feature and big data classification
P. Rebentrost, M. Mohseni, S. Lloyd
Quantum Computation and Quantum Information: Bibliography
Nikolay Raychev, I. Chuang
Supervised learning with quantum-enhanced feature spaces
Vojtěch Havlíček, A. Córcoles, K. Temme 等
Universal discriminative quantum neural networks
Hongxiang Chen, Leonard Wossnig, S. Severini 等
Continuous-variable quantum neural networks
N. Killoran, T. Bromley, J. Arrazola 等
The Expressive Power of Parameterized Quantum Circuits
Yuxuan Du, Min-Hsiu Hsieh, Tongliang Liu 等
PennyLane: Automatic differentiation of hybrid quantum-classical computations
V. Bergholm, J. Izaac, M. Schuld 等
Variational Quantum Generators: Generative Adversarial Quantum Machine Learning for Continuous Distributions
J. Romero, Alán Aspuru-Guzik
Low-Depth Gradient Measurements Can Improve Convergence in Variational Hybrid Quantum-Classical Algorithms.
A. Harrow, John Napp
被引用 (20)
Overcoming Fourier Locking in Quantum Data Re-uploading Classifiers via Spectral Homotopy
Quantum Port-Hamiltonian Neural Networks: Learning Conservative and Dissipative Dynamics via Measurement-Induced Nonlinearity
FT-FM: A Financial-Transaction-Specific Quantum Feature Map for Variational Quantum Classifiers in Fraud Detectio
Inherent interpretability provides inherent value in quantum machine learning
Parity Floors in Quantum Denoisers: A Closed-Form Benchmark for Fixed-Map Denoising Networks
The Fourier Wall: Why Public Tabular Datasets Refuse Quantum Advantage, and a Certified Recipe for Where It Lives
Scalable Quantum Machine Learning: Trainability, Expressivity and Efficiency
Quantum Topological Data Encoding
Unified Uncertainty Quantification Framework Bridging Noisy Quantum Backends Across Variational Quantum Algorithms and Quantum Signal Processing
RF Spectrogram Anomaly Detection with Quantum Kitchen Sinks: Architecture, Representation, and Hardware Validation
Data quantum Fisher information predicts trainability in variational quantum algorithms
Representational efficiency and noise robustness in hybrid quantum-classical graph neural networks
Qutrit-Based Neural Quantum Kernels for Classification Tasks
Can PCE solve the factorisation problem via optimisation?
Hybrid continuous-variable photonic QNNs for medical imaging under realistic Gaussian and readout constraints
Quasi-polar Decomposition of Quantum Neural Networks via Adaptive Non-local Observables
Qubit-efficient quantum intrusion detection using dual-parameter encoding and multi-metric calibration
Overview of solutions in quantum information technologies, part 2
Hardware-validated quantum positive–negative neuron architecture for multi-channel EEG analysis
Federated Quantum Machine Learning over Satellite Networks: Toward Scalable Distributed Quantum Classification