Spectral Geometry and Bosonic-Bloch Probes: Explorations in Quantum Learning
本文研究谱几何如何在量子学习模型中涌现,并探讨其物理探测方法。在图正则化量子网络中,训练重组了输出相似性图,使有效谱维度 Delta S 增加至 +0.23,重塑了拉普拉斯谱。边分辨的双玻色子干涉直接探测了这一重组:玻色增强 Delta P_uv 与 Fiedler 边分裂 |Delta v_2| 相关(r = -0.50),将学习到的谱分区与干涉特征联系起来。相图显示性能对耦合强度 gamma 和噪声 delta 的非单调依赖,且图正则化仅在受限区域内提高保真度;硬件实验证实了预测的干涉行为。此外,文章分析了混合量子自编码器并引入 Bloch 空间漂移作为其潜在表示的几何诊断工具。通过约化单量子比特态的几何结构和相关的量子 Fisher 信息,结果表明学习诱导的谱组织表现为可测量的量子态结构,建立了用玻色子…